rolade

README

Rolade

Minimal Neural Network toolkit.

Before you go too far

Ini cuma project hore-hore saja. Tidak ada jaminan atas validitas dari metode-metode yang digunakan, atau adanya support maupun pengembangan lebih jauh. Ada baiknya untuk tidak menggunakan pada project yang serius. Semua kerugian yang ditimbulkan akibat menggunakan toolkit ini di luar tanggung jawab kami.

Getting Started

Berikut adalah langkah-langkah untuk menggunakan toolkit ini. Mungkin kurang lengkap, tapi nanti bakal ditambahkan.

Defining Network

Untuk memulai, pertama import dulu networknya.

import "github.com/harungurubudi/rolade/network"

Kemudian definisikan struktur network yang anda inginkan. Misal, menginginkan network dengan feature berukuran 4 dan target berukuran 2, dengan inisiasi fungsi aktivasi relu :

nt := network.NewNetwork(4, 2, &activation.Relu{})

Tentukan juga hidden layer yang diinginkan. Untuk menambahkan hidden layer, bisa menggunakan method AddHiddenLayer pada object network. Misal, anda ingin menambahkan dua hidden layer dengan ukuran masing-masing 4 dan 3, dengan masing-masing fungsi aktivasi sigmoid dan tanh :

nt.AddHiddenLayer(4, &activation.Tanh{})
nt.AddHiddenLayer(3, &activation.Tanh{})

Network Properties

Seperti kebanyakan toolkit yang lain, biar keliatan customable, toolkit ini juga bisa diset properti-propertinya sesuai dengan kebutuhan.

nt.SetProps(network.Props{
    Optimizer: &optimizer.SGD{
        Alpha: 0.01,
    },
    ErrLimit: 0.005,
    MaxEpoch: 10000,
})

Berikut daftar properties yang tersedia :

Options	Description	Type	Default Value
Optimizer	Algoritma Optimizer	optimizer.IOptimizer	*optimizer.SGD
Loss	Fungsi Loss	loss.ILoss	*loss.RMSE
ErrLimit	Batas error yang perlu dicapai saat training	float64	0.001
MaxEpoch	Epoch maksimal saat training	int	1000

Datatype

Semua data yang digunakan baik untuk input maupun output dalam toolkit ini adalah data ber tipe network.DataArray yang merupakan tipe kustom dari []float64. Untuk mendeklarasikan data tersebut, dapat dilihat contoh berikut :

singleData := network.DataArray{0, 0, 0, 1}

Training

Untuk melakukan proses network training, kita dapat menggunakan method Train pada network :

nt.Train(inputs []DataArray, targets []DataArray) (error)

Dengan argument :

1. inputs, set data input. Dengan type array of network.DataArray.
2. targets, set data target. Dengan type array of network.DataArray.

Testing

Untuk melakukan test dari network, kita dapat menggunakan method Test pada network :

nt.Test(input DataArray) (DataArray, []int, error)

Dengan argument :

1. inputs, set data input. Dengan type array of network.DataArray.

Method ini mengembalikan tiga result :

1. Set output asli dari proses testing. Bertipe network.DataArray.
2. Nilai pembulatan dari output testing. Bertipe []int. Jika output asli > 0.5 maka akan menjadi 1, sebaliknya akan menjadi 0.
3. Objek error jika proses testing gagal.

Activation Function

Pada toolkit ini, tersedia tiga activation function yang dapat digunakan dalam properties :

1. Sigmoid : *activation.Sigmoid
2. Tanh : *activation.Tanh
3. RELU : *activation.Relu

Optimizer

Berikut optimizer algorithm yang tersedia juga. Cuma satu sih :(

1. SGD : *optimizer.SGD. Dengan properties sebagai berikut :
   • Alpha (learning rates) : float64
   • M (momentum) : float64
   • IsNesterov (Nesterov toggle) : bool
   • V (Velocity) : float64

Loss

Sedangkan berikut loss function yang tersedia. Cuma satu juga :((

1.RMSE : *loss.RMSE

Minimum Example

Contoh sederhana bisa dilihat di directory example.

To Do

1. More network attribute
2. Batch paralel training