runn 0.1.1

Runn is a feature-rich, easy-to-use library for building, training, and evaluating feed-forward neural networks in Rust
Documentation 
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

// Multi-class classification
// One-hot encoding problem with 3 classes.
// predict 1,0,0 if all input elements are same
// predict 0,1,0 if only two of the input elements are same
// predict 0,0,1 if none of the input elements are same

use runn::matrix::{DMat, DenseMatrix};

pub(crate) fn training_inputs() -> DMat {
    let inps = vec![
        5.0, 4.0, 4.0, 2.0, 5.0, 5.0, 5.0, 5.0, 5.0, 6.0, 6.0, 6.0, 1.0, 6.0, 2.0, 1.0, 3.0, 6.0, 5.0, 5.0, 5.0, 3.0,
        2.0, 6.0, 4.0, 9.0, 4.0, 0.0, 0.0, 0.0, 2.0, 6.0, 4.0, 2.0, 6.0, 2.0, 8.0, 8.0, 8.0, 2.0, 7.0, 2.0, 0.0, 0.0,
        0.0, 8.0, 8.0, 8.0, 6.0, 6.0, 6.0, 1.0, 1.0, 1.0, 1.0, 3.0, 3.0, 2.0, 2.0, 2.0, 6.0, 7.0, 7.0, 8.0, 4.0, 7.0,
        4.0, 4.0, 4.0, 4.0, 7.0, 5.0, 1.0, 2.0, 8.0, 1.0, 9.0, 3.0, 0.0, 4.0, 0.0, 3.0, 7.0, 7.0, 2.0, 5.0, 1.0, 8.0,
        1.0, 1.0, 4.0, 9.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 4.0, 4.0, 4.0, 5.0, 5.0, 5.0, 7.0, 0.0, 0.0, 6.0, 6.0,
        6.0, 7.0, 1.0, 4.0, 2.0, 2.0, 2.0, 8.0, 7.0, 0.0, 9.0, 2.0, 2.0, 7.0, 7.0, 7.0, 0.0, 0.0, 0.0, 6.0, 5.0, 5.0,
        4.0, 4.0, 4.0, 3.0, 1.0, 6.0, 5.0, 1.0, 5.0, 2.0, 2.0, 2.0, 8.0, 1.0, 9.0, 5.0, 8.0, 8.0, 0.0, 6.0, 1.0, 3.0,
        6.0, 6.0, 1.0, 4.0, 7.0, 6.0, 6.0, 6.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 6.0, 3.0, 0.0, 4.0, 4.0, 4.0, 9.0, 9.0,
        9.0, 1.0, 3.0, 0.0, 0.0, 5.0, 5.0, 6.0, 5.0, 5.0, 0.0, 5.0, 5.0, 0.0, 1.0, 1.0, 5.0, 1.0, 7.0, 7.0, 6.0, 7.0,
        2.0, 0.0, 7.0, 3.0, 6.0, 0.0, 8.0, 5.0, 9.0, 0.0, 4.0, 0.0, 9.0, 8.0, 9.0, 4.0, 7.0, 6.0, 2.0, 2.0, 2.0, 0.0,
        0.0, 0.0, 1.0, 6.0, 7.0, 8.0, 3.0, 9.0, 5.0, 1.0, 0.0, 8.0, 9.0, 9.0, 3.0, 3.0, 3.0, 9.0, 7.0, 1.0, 9.0, 7.0,
        5.0, 7.0, 7.0, 7.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 8.0, 3.0, 3.0, 9.0, 9.0, 9.0, 2.0, 6.0, 2.0, 4.0, 2.0, 8.0,
        5.0, 9.0, 9.0, 3.0, 9.0, 7.0, 7.0, 8.0, 4.0, 9.0, 8.0, 3.0, 7.0, 3.0, 9.0, 7.0, 2.0, 7.0, 5.0, 5.0, 5.0, 7.0,
        2.0, 7.0, 0.0, 6.0, 6.0, 9.0, 1.0, 7.0, 9.0, 6.0, 6.0, 6.0, 9.0, 9.0, 2.0, 6.0, 9.0, 9.0, 8.0, 8.0, 7.0, 4.0,
        5.0, 0.0, 5.0, 7.0, 2.0, 2.0, 2.0, 7.0, 3.0, 9.0, 6.0, 6.0, 6.0, 7.0, 7.0, 7.0, 1.0, 1.0, 1.0, 7.0, 7.0, 7.0,
        2.0, 2.0, 2.0, 8.0, 6.0, 6.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 8.0, 1.0, 0.0, 7.0, 7.0, 7.0, 4.0, 2.0, 4.0, 9.0,
        9.0, 9.0, 2.0, 2.0, 2.0, 6.0, 0.0, 5.0, 3.0, 7.0, 8.0, 6.0, 6.0, 6.0, 7.0, 2.0, 0.0, 1.0, 4.0, 8.0, 5.0, 0.0,
        5.0, 1.0, 6.0, 6.0, 9.0, 3.0, 3.0, 3.0, 5.0, 2.0, 3.0, 2.0, 4.0, 8.0, 8.0, 8.0, 9.0, 6.0, 6.0, 6.0, 6.0, 6.0,
        3.0, 8.0, 8.0, 5.0, 2.0, 9.0, 9.0, 8.0, 9.0, 2.0, 0.0, 0.0, 6.0, 8.0, 8.0, 2.0, 2.0, 2.0, 1.0, 1.0, 1.0, 5.0,
        4.0, 4.0, 4.0, 0.0, 4.0, 0.0, 2.0, 0.0, 7.0, 6.0, 3.0, 1.0, 8.0, 8.0, 3.0, 1.0, 3.0, 6.0, 7.0, 4.0, 4.0, 4.0,
        4.0, 5.0, 6.0, 7.0, 1.0, 1.0, 1.0, 4.0, 5.0, 2.0, 7.0, 7.0, 7.0, 2.0, 5.0, 5.0, 7.0, 8.0, 8.0, 6.0, 5.0, 0.0,
        2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 3.0, 8.0, 7.0, 9.0, 9.0, 9.0, 7.0, 7.0, 7.0, 3.0, 0.0, 6.0, 9.0, 4.0, 7.0, 0.0,
        1.0, 0.0, 1.0, 3.0, 1.0, 5.0, 1.0, 3.0, 1.0, 6.0, 6.0, 9.0, 6.0, 3.0, 1.0, 1.0, 1.0, 4.0, 4.0, 4.0, 1.0, 6.0,
        6.0, 1.0, 2.0, 3.0, 9.0, 4.0, 4.0, 2.0, 2.0, 2.0, 9.0, 5.0, 5.0, 9.0, 8.0, 0.0, 1.0, 9.0, 1.0, 8.0, 5.0, 9.0,
        3.0, 3.0, 3.0, 5.0, 9.0, 2.0, 5.0, 8.0, 5.0, 7.0, 3.0, 3.0, 1.0, 3.0, 3.0, 0.0, 7.0, 9.0, 0.0, 0.0, 0.0, 2.0,
        5.0, 0.0, 7.0, 9.0, 1.0, 4.0, 5.0, 5.0, 8.0, 1.0, 1.0, 9.0, 8.0, 9.0, 5.0, 5.0, 5.0, 3.0, 1.0, 3.0, 1.0, 3.0,
        8.0, 2.0, 4.0, 6.0, 5.0, 5.0, 5.0, 1.0, 0.0, 0.0, 2.0, 2.0, 2.0, 8.0, 4.0, 4.0, 6.0, 6.0, 6.0, 7.0, 3.0, 9.0,
    ];
    let inp_size = 3;
    let inps_row = inps.len() / inp_size;
    DenseMatrix::new(inps_row, inp_size).data(&inps).build().unwrap()
}

pub(crate) fn training_targets() -> DMat {
    let tar = vec![
        0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0,
        0.0, 1.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0,
        0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0,
        1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0,
        1.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0,
        0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0,
        1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0,
        1.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 1.0, 0.0,
        0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0,
        0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 1.0,
        0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0,
        1.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0,
        0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0,
        1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0,
        1.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0,
        1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0,
        0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 1.0,
        0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0,
        0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0,
        1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0,
        0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0,
        1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0,
        1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0,
        0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0,
        1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0,
        0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0,
        1.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0,
    ];

    let targ_size = 3;
    let targ_row = tar.len() / targ_size;
    DenseMatrix::new(targ_row, targ_size).data(&tar).build().unwrap()
}

pub(crate) fn validation_inputs() -> DMat {
    let inps = vec![
        1.0, 6.0, 5.0, 0.0, 8.0, 9.0, 7.0, 6.0, 6.0, 0.0, 9.0, 9.0, 0.0, 7.0, 0.0, 8.0, 3.0, 8.0, 4.0, 9.0, 5.0, 7.0,
        5.0, 6.0, 6.0, 5.0, 5.0, 0.0, 9.0, 8.0, 3.0, 0.0, 3.0, 2.0, 5.0, 7.0, 1.0, 1.0, 1.0, 6.0, 2.0, 0.0, 7.0, 5.0,
        5.0, 0.0, 2.0, 1.0, 4.0, 9.0, 3.0, 7.0, 9.0, 7.0, 0.0, 0.0, 0.0, 3.0, 5.0, 7.0, 5.0, 4.0, 4.0, 4.0, 4.0, 4.0,
        2.0, 2.0, 2.0, 2.0, 0.0, 2.0, 4.0, 4.0, 4.0, 6.0, 6.0, 6.0, 9.0, 9.0, 9.0, 1.0, 1.0, 1.0, 2.0, 2.0, 2.0, 7.0,
        7.0, 7.0,
    ];

    let inp_size = 3;
    let inps_row = inps.len() / inp_size;
    DenseMatrix::new(inps_row, inp_size).data(&inps).build().unwrap()
}

pub(crate) fn validation_targets() -> DMat {
    let tar = vec![
        0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0,
        0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0,
        0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0,
        1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0,
        0.0, 0.0,
    ];

    let targ_size = 3;
    let targ_row = tar.len() / targ_size;
    DenseMatrix::new(targ_row, targ_size).data(&tar).build().unwrap()
}