1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
// use mady::prelude::*;
// use rand::prelude::*;
// use rand_distr::{Distribution, Normal, Standard};
// use std::borrow::BorrowMut;
// use std::fs::File;
// use std::io::prelude::*;
// fn main() {
// let mut m = Momentum::new(Array0::new(0.9), Array0::new(0.01));
// let mut ann = ANN::new(&[1, 6, 10, 6, 1], error, m);
// let mut file = File::create("ann.csv").unwrap();
// writeln!(file, "epoch,error").unwrap();
// let mut rng = thread_rng();
// for i in 0..800 {
// let input: f64 = rng.gen::<f64>();
// let output = input.powi(2);
// let o = ann.train(Array1::new(vec![input]), Array1::new(vec![output]));
// writeln!(file, "{},{}", i, *o).unwrap();
// }
// }
// trait SGD {
// fn sgd(&mut self, w: &mut Array1<f64>, d: Array1<f64>);
// }
// // y y-hat -> out, dx
// // w dw
// struct ANN<L, S>
// where
// L: Fn(Array1<f64>, Array1<f64>) -> (Array0<f64>, Array1<f64>),
// S: SGD,
// {
// layer: Vec<Vec<NDArray<D1, f64>>>,
// loss: L,
// sgd: S,
// }
// impl<L, S> ANN<L, S>
// where
// L: Fn(Array1<f64>, Array1<f64>) -> (Array0<f64>, Array1<f64>),
// S: SGD,
// {
// pub fn new(size: &[usize], loss: L, sgd: S) -> Self {
// let mut layer = vec![];
// let mut rng = thread_rng();
// let mut b = size[0];
// for i in size.into_iter().skip(1) {
// let config = Normal::new(0.0, 2.0 / (*i as f64)).unwrap();
// let mut tmp = vec![];
// for _ in 0..*i {
// tmp.push(Array1::<f64>::new(
// (0..b).map(|_| config.sample(&mut rng)).collect(),
// ));
// }
// layer.push(tmp);
// b = *i;
// }
// Self { layer, loss, sgd }
// }
// pub fn train(&mut self, input: Array1<f64>, output: Array1<f64>) -> Array0<f64> {
// let mut diff = vec![];
// let mut prev = input;
// for l in self.layer.iter() {
// let mut next = vec![];
// let mut tmp_diff = vec![];
// for w in l {
// let (tmp, (n_diff, w_diff)) = grad_layer(prev.clone(), w.clone());
// tmp_diff.push((n_diff, w_diff));
// next.push(*tmp);
// }
// prev = Array1::new(next);
// diff.push(tmp_diff);
// }
// let (err, mut dx) = (self.loss)(output, prev);
// for (l, w) in diff.into_iter().rev().zip(self.layer.iter_mut().rev()) {
// let mut tmp = Array1::one();
// for (((n_diff, w_diff), d), sw) in l.into_iter().zip(dx.into_iter()).zip(w) {
// tmp += n_diff.clone() * Array0::new(d);
// self.sgd.sgd(sw, w_diff.clone() * Array0::new(d));
// }
// dx = tmp;
// }
// err
// }
// }
// #[grad]
// fn layer(prev: Array1<f64>, weight: Array1<f64>) -> Array0<f64> {
// prev.dot(weight).relu()
// }
// fn error(y: Array1<f64>, y_hat: Array1<f64>) -> (Array0<f64>, Array1<f64>) {
// (
// Array0::new((y_hat[0] - y[0]).powi(2) / 2.0),
// Array1::new(vec![y_hat[0] - y[0]]),
// )
// }
// fn sgd(w: &mut Array1<f64>, d: Array1<f64>) {
// *w = w.clone() - d * Array0::new(0.01);
// }
// struct Momentum {
// v: Array1<f64>,
// b: Array0<f64>,
// n: Array0<f64>,
// }
// impl Momentum {
// fn new(b: Array0<f64>, n: Array0<f64>) -> Self {
// Self {
// v: Array1::<f64>::one(),
// b,
// n,
// }
// }
// }
// impl SGD for Momentum {
// fn sgd(&mut self, w: &mut Array1<f64>, d: Array1<f64>) {
// let t = self.v.clone() * self.b.clone();
// let k = d * self.n.clone();
// self.v = t - k;
// *w = w.clone() + self.v.clone();
// }
// }