네트워크가 입력 회전을 동일하게 처리하도록하려면 어떻게해야합니까?

신경망을 실행하기 위해 자체 시스템을 프로그래밍하려고합니다. 필요한 노드 수를 줄이려면 입력 회전을 동일하게 처리하도록 제안했습니다.

내 네트워크는 모든 사각형과 그 주변 사각형을 격자 모양으로보고 해당 사각형의 출력을 제공하여 Conway의 게임 게임을 배우고 예측하는 것을 목표로합니다. 입력은 9 비트 문자열입니다.

위는 010 001 111로 표시됩니다.

그러나이 모양에는 세 가지 다른 회전이 있으며 모두 같은 출력을 생성합니다.

내 네트워크 토폴로지는 입력의 다음 가운데 사각형 상태에 대한 9 개의 입력 노드와 1 개의 출력 노드입니다. 숨겨진 레이어를 각 회전을 동일하게 사용하여 가능한 입력 수를 원본의 1/4로 줄이려면 어떻게 숨겨진 레이어를 구성 할 수 있습니까?

편집하다:

동일한 회전을 생성하는 각 회전의 반전도 있습니다. 이것들을 통합하면 입력을 1/8로 줄일 수 있습니다. 글라이더와 함께, 나의 목표는 이러한 모든 입력이 정확히 동일하게 취급되는 것입니다. 이것은 사전 처리로 수행해야합니까, 아니면 네트워크에 통합 할 수 있습니까?

잘 이해하면 단일 출력 노드가 중간에 다음 사각형 상태가됩니다. 모델을 훈련시키기에 충분한 리소스가있는 동안 숨겨진 레이어의 노드 수에 대해 걱정할 필요가 없습니다. 이 문제는 신경망에 대해 배우기 쉽기 때문에 크기에 관계가 없습니다.

감독 훈련을 받아야합니다. 즉, 입력 데이터와 일치하는 예상 출력을 제공해야합니다. 훈련 데이터에서 4 개의 회전이 모두 동일한 출력에 할당되어 있는지 확인해야합니다. 이런 식으로 네트워크는이 모든 것을 같은 방식으로 다루는 법을 배워야합니다.

당신은 나를 호기심으로 만들어서 스스로 시도했습니다. 내 솔루션은 오래된 랩톱에서 몇 초 안에 실행되는 약 20 개의 시대에서 100 % 정확한 것을 배울 수 있습니다. 출력을 [0,1] 또는 [1,0] 범주로 약간 변경했지만 원하는 결과와 동일합니다. 파이썬으로 작성된 코드는 다음과 같습니다.

from keras.models import Sequential
from keras.layers import Input, Dense
from keras.models import Model
from keras import optimizers
from keras.utils.np_utils import to_categorical
import helper

x_,y_ = helper.fnn_csv_toXY("conway.csv","output",False)
y_binary = to_categorical(y_)

model = Sequential()
model.add(Dense(100, activation='relu', kernel_initializer='glorot_uniform',input_shape =(9,)))
model.add(Dense(20, activation='relu', kernel_initializer='glorot_uniform'))
model.add(Dense(2, activation='softmax'))
adam=optimizers.Adam()
model.compile(optimizer=adam,
              loss='categorical_crossentropy',
              metrics=['acc'])
model.fit(x_, y_binary, epochs=100)

문제점 공간에서 최적화를 식별했으며이를 신경망에 굽고 자합니다. 전처리를 제안합니다. 원하는 것의 일부를 수행하는 신경망으로 최적화를 작성하십시오.

즉, 게시물에서 강조된 동등성을 캡처하기 위해 입력을 회전시키는 회전 알고리즘을 수동으로 코딩하여 입력을 정규화합니다. 그런 다음이 변환의 결과를 신경망에 공급하여 훈련 및 기타 모든 용도로 사용하십시오. 이는 식별 한 하위 문제를 해결하기 위해 신경망을 훈련하고 있음을 의미합니다. 회전은 중복됩니다.

임의의 입력을 생성하고 네 가지 잠재적 변환 모두로 회전하여 정규화기를 테스트하고 각각에 대해 정규화기를 실행 한 다음 모두 동일한 지 확인하십시오.

그것에 대해 순수하게 말하면, 입력을 다르게 크기를 4의 원형 배열로 고려하십시오. 각 항목에는 한 쌍의 비트와 추가로 중앙 비트가 포함됩니다.

... 01, 01, 11, 10 ...

0

네트워크 설계 전체에서이 순환 구조와 중심점 패러다임을 계속하십시오.