nupic_tutorials

目的

• tutorialを通して, Nupic の使い方を把握する

CLA White Paper

• 多分これ読んでないと何してるかよくわからんと思う.
• CLA White Paper

Install

• だいたいここの通りにやればできた.
• nupic

tutorials

一覧

• Using NuPIC
  • ipython_notebook
  • one_gym
  • one_gym_anomaly
  • sine_wave
  • spatial_pooling
  • temporal_pooling
  • audiostream

ipython_notebook

• notebookにまとめてくれている.
• しかし, これは必要なもの探すときに使った方がいい.

cd ipython_notebook
ipython notebook

one_gym

• どっかのジムのエネルギー消費量のデータを使って予測をしてみる.
• online predict frameworkを使っている.
• また, OPFのモデル作成には, swarmを使っている. これは, OPFと一セットと考えても良さそう.

cd one_gym
python swarm.py
python run.py

one_gym_anomaly

• one_gymにanomalyをつけたもの
• 最初は誤差が大きいが, 徐々に小さくなっていく.
• また, 見慣れないパターンが出てきたとき誤差が大きくなるが, 次第に落ち着く状態が見られる.

cd one_gym_anomaly
python swarm.py
python run.py

sine_wave

• 自分で作ったsin波形をOPFを使って予測する.
• 作られたのは, one_gym/one_gym_anomalyより後っぽい.
• データの対象が異なるだけで, やってることは, one_gym_anomalyと同じ

cd sine_wave
python experiment.py

spatial_pooling

• OPFを使わず, spatial_poolingを単体やってみる.
• これは, Sparse Distributed Representations(SDR)を作るための手法

cd one_gym_anomaly
python hello_sp.py

temporal_pooling

• OPFを使わず, temporal_poolingを単体やってみる.
• これは, 時系列パターンの予測をするための手法

cd one_gym_anomaly
python hello_tp.py

audiostream

• マイクから入力した音をTPの入力として, 予測を行うtutorial.
• 周波数成分を入力としてる
  • 音 -> sampling値 -> 含まれる周波数 -> input
• OPFを使わず, temporal_pooling飲み使っている.
• マイク持ってないから, 音源ファイルを取り込む形にした.
• pyaudioを使っているため, 以下をinstallする必要があった.

brew install portaudio
pip install pyaudio

cd audiostream
python audiostream.py

• pyaudioの使い方いまいち分からんかったから, この辺が役に立った.
  • 波形を見る
  • 離散フーリエ変換
  • 高速フーリエ変換

classification

• OPFを使って, 分類をしてみる.
• 予測するときは, カテゴリを入力せずに予測するため,
• モデルでは classifierOnly=Trueとして, sensorには入力しないようにする.
• これを使うと, cla-classifierでのみ使われる.

cd cla_classifier
python run_class.py

network_api

• 概要

  • OPFを使わず, network apiを使ってみる.
  • ここを参考にしている.
  • OPFの劣化コピーになってしまったが, 自前のネットワークを作ることは出来るようになった.
  • やってみたタスクは, 分類と予測の２つ.
  • でかくなりすぎたので, nupic_function_recognition に移動する.

• 実行方法

cd network_api
python function_prediction.py

• 分類
  • 単調増加関数/単調減少関数の(x,y)を入力として, どちらの関数であるかを判別する.
  • x=0, 100 に近づくほど, 単調増加/単調減少x,yの差が大きくなるので, よく判別できる.
  • x=50付近では, 単調増加/単調減少の差が小さくなるため, 正しい予測を出す確率が下がる.
  • 特にx=50のときは, 単調増加/単調減少どちらの場合でも, networkに入力される値は(50, 50)となるが, TPに記憶されている文脈で増加か減少かを判別することが出来る.

network_api_cc

• nupic.coreを動かしてみる.
• ビルドは, ここの通り.