modules/ml/src/ann_mlp.cpp

   1 /*M///////////////////////////////////////////////////////////////////////////////////////
   2 //
   3 //  IMPORTANT: READ BEFORE DOWNLOADING, COPYING, INSTALLING OR USING.
   4 //
   5 //  By downloading, copying, installing or using the software you agree to this license.
   6 //  If you do not agree to this license, do not download, install,
   7 //  copy or use the software.
   8 //
   9 //
  10 //                        Intel License Agreement
  11 //
  12 // Copyright (C) 2000, Intel Corporation, all rights reserved.
  13 // Third party copyrights are property of their respective owners.
  14 //
  15 // Redistribution and use in source and binary forms, with or without modification,
  16 // are permitted provided that the following conditions are met:
  17 //
  18 //   * Redistribution's of source code must retain the above copyright notice,
  19 //     this list of conditions and the following disclaimer.
  20 //
  21 //   * Redistribution's in binary form must reproduce the above copyright notice,
  22 //     this list of conditions and the following disclaimer in the documentation
  23 //     and/or other materials provided with the distribution.
  24 //
  25 //   * The name of Intel Corporation may not be used to endorse or promote products
  26 //     derived from this software without specific prior written permission.
  27 //
  28 // This software is provided by the copyright holders and contributors "as is" and
  29 // any express or implied warranties, including, but not limited to, the implied
  30 // warranties of merchantability and fitness for a particular purpose are disclaimed.
  31 // In no event shall the Intel Corporation or contributors be liable for any direct,
  32 // indirect, incidental, special, exemplary, or consequential damages
  33 // (including, but not limited to, procurement of substitute goods or services;
  34 // loss of use, data, or profits; or business interruption) however caused
  35 // and on any theory of liability, whether in contract, strict liability,
  36 // or tort (including negligence or otherwise) arising in any way out of
  37 // the use of this software, even if advised of the possibility of such damage.
  38 //
  39 //M*/
  40
  41 #include "precomp.hpp"
  42
  43 namespace cv { namespace ml {
  44
  45 struct SimulatedAnnealingSolver::Impl
  46 {
  47     int refcount;
  48
  49     const Ptr<SimulatedAnnealingSolverSystem> systemPtr;
  50     SimulatedAnnealingSolverSystem& system;
  51     RNG rEnergy;
  52     double coolingRatio;
  53     double initialT;
  54     double finalT;
  55     int iterPerStep;
  56
  57     Impl(const Ptr<SimulatedAnnealingSolverSystem>& s) :
  58         refcount(1),
  59         systemPtr(s),
  60         system(*(s.get())),
  61         rEnergy(12345)
  62     {
  63         CV_Assert(!systemPtr.empty());
  64         initialT = 2;
  65         finalT = 0.1;
  66         coolingRatio = 0.95;
  67         iterPerStep = 100;
  68     }
  69
  70     inline double energy() { return system.energy(); }
  71     inline void changeState() { system.changeState(); }
  72     inline void reverseState() { system.reverseState(); }
  73
  74     void addref() { CV_XADD(&refcount, 1); }
  75     void release() { if (CV_XADD(&refcount, -1) == 1) delete this; }
  76 protected:
  77     virtual ~Impl() { CV_Assert(refcount==0); }
  78 };
  79
  80 struct AnnParams
  81 {
  82     AnnParams()
  83     {
  84         termCrit = TermCriteria( TermCriteria::COUNT + TermCriteria::EPS, 1000, 0.01 );
  85         trainMethod = ANN_MLP::RPROP;
  86         bpDWScale = bpMomentScale = 0.1;
  87         rpDW0 = 0.1; rpDWPlus = 1.2; rpDWMinus = 0.5;
  88         rpDWMin = FLT_EPSILON; rpDWMax = 50.;
  89         initialT=10;finalT=0.1,coolingRatio=0.95;itePerStep=10;
  90         rEnergy = cv::RNG(12345);
  91     }
  92
  93     TermCriteria termCrit;
  94     int trainMethod;
  95
  96     double bpDWScale;
  97     double bpMomentScale;
  98
  99     double rpDW0;
 100     double rpDWPlus;
 101     double rpDWMinus;
 102     double rpDWMin;
 103     double rpDWMax;
 104
 105     double initialT;
 106     double finalT;
 107     double coolingRatio;
 108     int itePerStep;
 109     RNG rEnergy;
 110 };
 111
 112 template <typename T>
 113 inline T inBounds(T val, T min_val, T max_val)
 114 {
 115     return std::min(std::max(val, min_val), max_val);
 116 }
 117
 118 SimulatedAnnealingSolver::SimulatedAnnealingSolver(const Ptr<SimulatedAnnealingSolverSystem>& system)
 119 {
 120     impl = new Impl(system);
 121 }
 122
 123 SimulatedAnnealingSolver::SimulatedAnnealingSolver(const SimulatedAnnealingSolver& b)
 124 {
 125     if (b.impl) b.impl->addref();
 126     release();
 127     impl = b.impl;
 128 }
 129
 130 void SimulatedAnnealingSolver::release()
 131 {
 132     if (impl) { impl->release(); impl = NULL; }
 133 }
 134
 135 void SimulatedAnnealingSolver::setIterPerStep(int ite)
 136 {
 137     CV_Assert(impl);
 138     CV_Assert(ite>0);
 139     impl->iterPerStep = ite;
 140 }
 141
 142 int SimulatedAnnealingSolver::run()
 143 {
 144     CV_Assert(impl);
 145     CV_Assert(impl->initialT>impl->finalT);
 146     double Ti = impl->initialT;
 147     double previousEnergy = impl->energy();
 148     int exchange = 0;
 149     while (Ti > impl->finalT)
 150     {
 151         for (int i = 0; i < impl->iterPerStep; i++)
 152         {
 153             impl->changeState();
 154             double newEnergy = impl->energy();
 155             if (newEnergy < previousEnergy)
 156             {
 157                 previousEnergy = newEnergy;
 158                 exchange++;
 159             }
 160             else
 161             {
 162                 double r = impl->rEnergy.uniform(0.0, 1.0);
 163                 if (r < std::exp(-(newEnergy - previousEnergy) / Ti))
 164                 {
 165                     previousEnergy = newEnergy;
 166                     exchange++;
 167                 }
 168                 else
 169                 {
 170                     impl->reverseState();
 171                 }
 172             }
 173
 174         }
 175         Ti *= impl->coolingRatio;
 176     }
 177     impl->finalT = Ti;
 178     return exchange;
 179 }
 180
 181 void SimulatedAnnealingSolver::setEnergyRNG(const RNG& rng)
 182 {
 183     CV_Assert(impl);
 184     impl->rEnergy = rng;
 185 }
 186
 187 void SimulatedAnnealingSolver::setInitialTemperature(double x)
 188 {
 189     CV_Assert(impl);
 190     CV_Assert(x>0);
 191     impl->initialT = x;
 192 }
 193
 194 void SimulatedAnnealingSolver::setFinalTemperature(double x)
 195 {
 196     CV_Assert(impl);
 197     CV_Assert(x>0);
 198     impl->finalT = x;
 199 }
 200
 201 double SimulatedAnnealingSolver::getFinalTemperature()
 202 {
 203     CV_Assert(impl);
 204     return impl->finalT;
 205 }
 206
 207 void SimulatedAnnealingSolver::setCoolingRatio(double x)
 208 {
 209     CV_Assert(impl);
 210     CV_Assert(x>0 && x<1);
 211     impl->coolingRatio = x;
 212 }
 213
 214 class SimulatedAnnealingANN_MLP : public SimulatedAnnealingSolverSystem
 215 {
 216 protected:
 217     ml::ANN_MLP& nn;
 218     Ptr<ml::TrainData> data;
 219     int nbVariables;
 220     vector<double*> adrVariables;
 221     RNG rVar;
 222     RNG rIndex;
 223     double varTmp;
 224     int index;
 225 public:
 226     SimulatedAnnealingANN_MLP(ml::ANN_MLP& x, const Ptr<ml::TrainData>& d) : nn(x), data(d)
 227     {
 228         initVarMap();
 229     }
 230     ~SimulatedAnnealingANN_MLP() {}
 231 protected:
 232     void changeState()
 233     {
 234         index = rIndex.uniform(0, nbVariables);
 235         double dv = rVar.uniform(-1.0, 1.0);
 236         varTmp = *adrVariables[index];
 237         *adrVariables[index] = dv;
 238     }
 239
 240     void reverseState()
 241     {
 242         *adrVariables[index] = varTmp;
 243     }
 244
 245     double energy() const { return nn.calcError(data, false, noArray()); }
 246
 247 protected:
 248     void initVarMap()
 249     {
 250         Mat l = nn.getLayerSizes();
 251         nbVariables = 0;
 252         adrVariables.clear();
 253         for (int i = 1; i < l.rows-1; i++)
 254         {
 255             Mat w = nn.getWeights(i);
 256             for (int j = 0; j < w.rows; j++)
 257             {
 258                 for (int k = 0; k < w.cols; k++, nbVariables++)
 259                 {
 260                     if (j == w.rows - 1)
 261                     {
 262                         adrVariables.push_back(&w.at<double>(w.rows - 1, k));
 263                     }
 264                     else
 265                     {
 266                         adrVariables.push_back(&w.at<double>(j, k));
 267                     }
 268                 }
 269             }
 270         }
 271     }
 272
 273 };
 274
 275 double ANN_MLP::getAnnealInitialT() const
 276 {
 277     const ANN_MLP_ANNEAL* this_ = dynamic_cast<const ANN_MLP_ANNEAL*>(this);
 278     if (!this_)
 279         CV_Error(Error::StsNotImplemented, "the class is not ANN_MLP_ANNEAL");
 280     return this_->getAnnealInitialT();
 281 }
 282
 283 void ANN_MLP::setAnnealInitialT(double val)
 284 {
 285     ANN_MLP_ANNEAL* this_ = dynamic_cast<ANN_MLP_ANNEAL*>(this);
 286     if (!this_)
 287         CV_Error(Error::StsNotImplemented, "the class is not ANN_MLP_ANNEAL");
 288     this_->setAnnealInitialT(val);
 289 }
 290
 291 double ANN_MLP::getAnnealFinalT() const
 292 {
 293     const ANN_MLP_ANNEAL* this_ = dynamic_cast<const ANN_MLP_ANNEAL*>(this);
 294     if (!this_)
 295         CV_Error(Error::StsNotImplemented, "the class is not ANN_MLP_ANNEAL");
 296     return this_->getAnnealFinalT();
 297 }
 298
 299 void ANN_MLP::setAnnealFinalT(double val)
 300 {
 301     ANN_MLP_ANNEAL* this_ = dynamic_cast<ANN_MLP_ANNEAL*>(this);
 302     if (!this_)
 303         CV_Error(Error::StsNotImplemented, "the class is not ANN_MLP_ANNEAL");
 304     this_->setAnnealFinalT(val);
 305 }
 306
 307 double ANN_MLP::getAnnealCoolingRatio() const
 308 {
 309     const ANN_MLP_ANNEAL* this_ = dynamic_cast<const ANN_MLP_ANNEAL*>(this);
 310     if (!this_)
 311         CV_Error(Error::StsNotImplemented, "the class is not ANN_MLP_ANNEAL");
 312     return this_->getAnnealCoolingRatio();
 313 }
 314
 315 void ANN_MLP::setAnnealCoolingRatio(double val)
 316 {
 317     ANN_MLP_ANNEAL* this_ = dynamic_cast<ANN_MLP_ANNEAL*>(this);
 318     if (!this_)
 319         CV_Error(Error::StsNotImplemented, "the class is not ANN_MLP_ANNEAL");
 320     this_->setAnnealCoolingRatio(val);
 321 }
 322
 323 int ANN_MLP::getAnnealItePerStep() const
 324 {
 325     const ANN_MLP_ANNEAL* this_ = dynamic_cast<const ANN_MLP_ANNEAL*>(this);
 326     if (!this_)
 327         CV_Error(Error::StsNotImplemented, "the class is not ANN_MLP_ANNEAL");
 328     return this_->getAnnealItePerStep();
 329 }
 330
 331 void ANN_MLP::setAnnealItePerStep(int val)
 332 {
 333     ANN_MLP_ANNEAL* this_ = dynamic_cast<ANN_MLP_ANNEAL*>(this);
 334     if (!this_)
 335         CV_Error(Error::StsNotImplemented, "the class is not ANN_MLP_ANNEAL");
 336     this_->setAnnealItePerStep(val);
 337 }
 338
 339 void ANN_MLP::setAnnealEnergyRNG(const RNG& rng)
 340 {
 341     ANN_MLP_ANNEAL* this_ = dynamic_cast<ANN_MLP_ANNEAL*>(this);
 342     if (!this_)
 343         CV_Error(Error::StsNotImplemented, "the class is not ANN_MLP_ANNEAL");
 344     this_->setAnnealEnergyRNG(rng);
 345 }
 346
 347 class ANN_MLPImpl : public ANN_MLP_ANNEAL
 348 {
 349 public:
 350     ANN_MLPImpl()
 351     {
 352         clear();
 353         setActivationFunction( SIGMOID_SYM, 0, 0);
 354         setLayerSizes(Mat());
 355         setTrainMethod(ANN_MLP::RPROP, 0.1, FLT_EPSILON);
 356     }
 357
 358     virtual ~ANN_MLPImpl() {}
 359
 360     CV_IMPL_PROPERTY(TermCriteria, TermCriteria, params.termCrit)
 361     CV_IMPL_PROPERTY(double, BackpropWeightScale, params.bpDWScale)
 362     CV_IMPL_PROPERTY(double, BackpropMomentumScale, params.bpMomentScale)
 363     CV_IMPL_PROPERTY(double, RpropDW0, params.rpDW0)
 364     CV_IMPL_PROPERTY(double, RpropDWPlus, params.rpDWPlus)
 365     CV_IMPL_PROPERTY(double, RpropDWMinus, params.rpDWMinus)
 366     CV_IMPL_PROPERTY(double, RpropDWMin, params.rpDWMin)
 367     CV_IMPL_PROPERTY(double, RpropDWMax, params.rpDWMax)
 368     CV_IMPL_PROPERTY(double, AnnealInitialT, params.initialT)
 369     CV_IMPL_PROPERTY(double, AnnealFinalT, params.finalT)
 370     CV_IMPL_PROPERTY(double, AnnealCoolingRatio, params.coolingRatio)
 371     CV_IMPL_PROPERTY(int, AnnealItePerStep, params.itePerStep)
 372
 373     //CV_IMPL_PROPERTY(RNG, AnnealEnergyRNG, params.rEnergy)
 374     inline void setAnnealEnergyRNG(const RNG& val) { params.rEnergy = val; }
 375
 376     void clear()
 377     {
 378         min_val = max_val = min_val1 = max_val1 = 0.;
 379         rng = RNG((uint64)-1);
 380         weights.clear();
 381         trained = false;
 382         max_buf_sz = 1 << 12;
 383     }
 384
 385     int layer_count() const { return (int)layer_sizes.size(); }
 386
 387     void setTrainMethod(int method, double param1, double param2)
 388     {
 389         if (method != ANN_MLP::RPROP && method != ANN_MLP::BACKPROP && method != ANN_MLP::ANNEAL)
 390             method = ANN_MLP::RPROP;
 391         params.trainMethod = method;
 392         if(method == ANN_MLP::RPROP )
 393         {
 394             if( param1 < FLT_EPSILON )
 395                 param1 = 1.;
 396             params.rpDW0 = param1;
 397             params.rpDWMin = std::max( param2, 0. );
 398         }
 399         else if (method == ANN_MLP::BACKPROP)
 400         {
 401             if (param1 <= 0)
 402                 param1 = 0.1;
 403             params.bpDWScale = inBounds<double>(param1, 1e-3, 1.);
 404             if (param2 < 0)
 405                 param2 = 0.1;
 406             params.bpMomentScale = std::min(param2, 1.);
 407         }
 408     }
 409
 410     int getTrainMethod() const
 411     {
 412         return params.trainMethod;
 413     }
 414
 415     void setActivationFunction(int _activ_func, double _f_param1, double _f_param2)
 416     {
 417         if( _activ_func < 0 || _activ_func > LEAKYRELU)
 418             CV_Error( CV_StsOutOfRange, "Unknown activation function" );
 419
 420         activ_func = _activ_func;
 421
 422         switch( activ_func )
 423         {
 424         case SIGMOID_SYM:
 425             max_val = 0.95; min_val = -max_val;
 426             max_val1 = 0.98; min_val1 = -max_val1;
 427             if( fabs(_f_param1) < FLT_EPSILON )
 428                 _f_param1 = 2./3;
 429             if( fabs(_f_param2) < FLT_EPSILON )
 430                 _f_param2 = 1.7159;
 431             break;
 432         case GAUSSIAN:
 433             max_val = 1.; min_val = 0.05;
 434             max_val1 = 1.; min_val1 = 0.02;
 435             if (fabs(_f_param1) < FLT_EPSILON)
 436                 _f_param1 = 1.;
 437             if (fabs(_f_param2) < FLT_EPSILON)
 438                 _f_param2 = 1.;
 439             break;
 440         case RELU:
 441             if (fabs(_f_param1) < FLT_EPSILON)
 442                 _f_param1 = 1;
 443             min_val = max_val = min_val1 = max_val1 = 0.;
 444             _f_param2 = 0.;
 445             break;
 446         case LEAKYRELU:
 447             if (fabs(_f_param1) < FLT_EPSILON)
 448                 _f_param1 = 0.01;
 449             min_val = max_val = min_val1 = max_val1 = 0.;
 450             _f_param2 = 0.;
 451             break;
 452         default:
 453             min_val = max_val = min_val1 = max_val1 = 0.;
 454             _f_param1 = 1.;
 455             _f_param2 = 0.;
 456         }
 457
 458         f_param1 = _f_param1;
 459         f_param2 = _f_param2;
 460     }
 461
 462
 463     void init_weights()
 464     {
 465         int i, j, k, l_count = layer_count();
 466
 467         for( i = 1; i < l_count; i++ )
 468         {
 469             int n1 = layer_sizes[i-1];
 470             int n2 = layer_sizes[i];
 471             double val = 0, G = n2 > 2 ? 0.7*pow((double)n1,1./(n2-1)) : 1.;
 472             double* w = weights[i].ptr<double>();
 473
 474             // initialize weights using Nguyen-Widrow algorithm
 475             for( j = 0; j < n2; j++ )
 476             {
 477                 double s = 0;
 478                 for( k = 0; k <= n1; k++ )
 479                 {
 480                     val = rng.uniform(0., 1.)*2-1.;
 481                     w[k*n2 + j] = val;
 482                     s += fabs(val);
 483                 }
 484
 485                 if( i < l_count - 1 )
 486                 {
 487                     s = 1./(s - fabs(val));
 488                     for( k = 0; k <= n1; k++ )
 489                         w[k*n2 + j] *= s;
 490                     w[n1*n2 + j] *= G*(-1+j*2./n2);
 491                 }
 492             }
 493         }
 494     }
 495
 496     Mat getLayerSizes() const
 497     {
 498         return Mat_<int>(layer_sizes, true);
 499     }
 500
 501     void setLayerSizes( InputArray _layer_sizes )
 502     {
 503         clear();
 504
 505         _layer_sizes.copyTo(layer_sizes);
 506         int l_count = layer_count();
 507
 508         weights.resize(l_count + 2);
 509         max_lsize = 0;
 510
 511         if( l_count > 0 )
 512         {
 513             for( int i = 0; i < l_count; i++ )
 514             {
 515                 int n = layer_sizes[i];
 516                 if( n < 1 + (0 < i && i < l_count-1))
 517                     CV_Error( CV_StsOutOfRange,
 518                              "there should be at least one input and one output "
 519                              "and every hidden layer must have more than 1 neuron" );
 520                 max_lsize = std::max( max_lsize, n );
 521                 if( i > 0 )
 522                     weights[i].create(layer_sizes[i-1]+1, n, CV_64F);
 523             }
 524
 525             int ninputs = layer_sizes.front();
 526             int noutputs = layer_sizes.back();
 527             weights[0].create(1, ninputs*2, CV_64F);
 528             weights[l_count].create(1, noutputs*2, CV_64F);
 529             weights[l_count+1].create(1, noutputs*2, CV_64F);
 530         }
 531     }
 532
 533     float predict( InputArray _inputs, OutputArray _outputs, int ) const
 534     {
 535         if( !trained )
 536             CV_Error( CV_StsError, "The network has not been trained or loaded" );
 537
 538         Mat inputs = _inputs.getMat();
 539         int type = inputs.type(), l_count = layer_count();
 540         int n = inputs.rows, dn0 = n;
 541
 542         CV_Assert( (type == CV_32F || type == CV_64F) && inputs.cols == layer_sizes[0] );
 543         int noutputs = layer_sizes[l_count-1];
 544         Mat outputs;
 545
 546         int min_buf_sz = 2*max_lsize;
 547         int buf_sz = n*min_buf_sz;
 548
 549         if( buf_sz > max_buf_sz )
 550         {
 551             dn0 = max_buf_sz/min_buf_sz;
 552             dn0 = std::max( dn0, 1 );
 553             buf_sz = dn0*min_buf_sz;
 554         }
 555
 556         cv::AutoBuffer<double> _buf(buf_sz+noutputs);
 557         double* buf = _buf;
 558
 559         if( !_outputs.needed() )
 560         {
 561             CV_Assert( n == 1 );
 562             outputs = Mat(n, noutputs, type, buf + buf_sz);
 563         }
 564         else
 565         {
 566             _outputs.create(n, noutputs, type);
 567             outputs = _outputs.getMat();
 568         }
 569
 570         int dn = 0;
 571         for( int i = 0; i < n; i += dn )
 572         {
 573             dn = std::min( dn0, n - i );
 574
 575             Mat layer_in = inputs.rowRange(i, i + dn);
 576             Mat layer_out( dn, layer_in.cols, CV_64F, buf);
 577
 578             scale_input( layer_in, layer_out );
 579             layer_in = layer_out;
 580
 581             for( int j = 1; j < l_count; j++ )
 582             {
 583                 double* data = buf + ((j&1) ? max_lsize*dn0 : 0);
 584                 int cols = layer_sizes[j];
 585
 586                 layer_out = Mat(dn, cols, CV_64F, data);
 587                 Mat w = weights[j].rowRange(0, layer_in.cols);
 588                 gemm(layer_in, w, 1, noArray(), 0, layer_out);
 589                 calc_activ_func( layer_out, weights[j] );
 590
 591                 layer_in = layer_out;
 592             }
 593
 594             layer_out = outputs.rowRange(i, i + dn);
 595             scale_output( layer_in, layer_out );
 596         }
 597
 598         if( n == 1 )
 599         {
 600             int maxIdx[] = {0, 0};
 601             minMaxIdx(outputs, 0, 0, 0, maxIdx);
 602             return (float)(maxIdx[0] + maxIdx[1]);
 603         }
 604
 605         return 0.f;
 606     }
 607
 608     void scale_input( const Mat& _src, Mat& _dst ) const
 609     {
 610         int cols = _src.cols;
 611         const double* w = weights[0].ptr<double>();
 612
 613         if( _src.type() == CV_32F )
 614         {
 615             for( int i = 0; i < _src.rows; i++ )
 616             {
 617                 const float* src = _src.ptr<float>(i);
 618                 double* dst = _dst.ptr<double>(i);
 619                 for( int j = 0; j < cols; j++ )
 620                     dst[j] = src[j]*w[j*2] + w[j*2+1];
 621             }
 622         }
 623         else
 624         {
 625             for( int i = 0; i < _src.rows; i++ )
 626             {
 627                 const double* src = _src.ptr<double>(i);
 628                 double* dst = _dst.ptr<double>(i);
 629                 for( int j = 0; j < cols; j++ )
 630                     dst[j] = src[j]*w[j*2] + w[j*2+1];
 631             }
 632         }
 633     }
 634
 635     void scale_output( const Mat& _src, Mat& _dst ) const
 636     {
 637         int cols = _src.cols;
 638         const double* w = weights[layer_count()].ptr<double>();
 639
 640         if( _dst.type() == CV_32F )
 641         {
 642             for( int i = 0; i < _src.rows; i++ )
 643             {
 644                 const double* src = _src.ptr<double>(i);
 645                 float* dst = _dst.ptr<float>(i);
 646                 for( int j = 0; j < cols; j++ )
 647                     dst[j] = (float)(src[j]*w[j*2] + w[j*2+1]);
 648             }
 649         }
 650         else
 651         {
 652             for( int i = 0; i < _src.rows; i++ )
 653             {
 654                 const double* src = _src.ptr<double>(i);
 655                 double* dst = _dst.ptr<double>(i);
 656                 for( int j = 0; j < cols; j++ )
 657                     dst[j] = src[j]*w[j*2] + w[j*2+1];
 658             }
 659         }
 660     }
 661
 662     void calc_activ_func(Mat& sums, const Mat& w) const
 663     {
 664         const double* bias = w.ptr<double>(w.rows - 1);
 665         int i, j, n = sums.rows, cols = sums.cols;
 666         double scale = 0, scale2 = f_param2;
 667
 668         switch (activ_func)
 669         {
 670         case IDENTITY:
 671             scale = 1.;
 672             break;
 673         case SIGMOID_SYM:
 674             scale = -f_param1;
 675             break;
 676         case GAUSSIAN:
 677             scale = -f_param1*f_param1;
 678             break;
 679         case RELU:
 680             scale = 1;
 681             break;
 682         case LEAKYRELU:
 683             scale = 1;
 684             break;
 685         default:
 686             ;
 687         }
 688
 689         CV_Assert(sums.isContinuous());
 690
 691         if (activ_func != GAUSSIAN)
 692         {
 693             for (i = 0; i < n; i++)
 694             {
 695                 double* data = sums.ptr<double>(i);
 696                 for (j = 0; j < cols; j++)
 697                 {
 698                     data[j] = (data[j] + bias[j])*scale;
 699                     if (activ_func == RELU)
 700                         if (data[j] < 0)
 701                             data[j] = 0;
 702                     if (activ_func == LEAKYRELU)
 703                         if (data[j] < 0)
 704                             data[j] *= f_param1;
 705                 }
 706             }
 707
 708             if (activ_func == IDENTITY || activ_func == RELU || activ_func == LEAKYRELU)
 709                 return;
 710         }
 711         else
 712         {
 713             for (i = 0; i < n; i++)
 714             {
 715                 double* data = sums.ptr<double>(i);
 716                 for (j = 0; j < cols; j++)
 717                 {
 718                     double t = data[j] + bias[j];
 719                     data[j] = t*t*scale;
 720                 }
 721             }
 722         }
 723
 724         exp(sums, sums);
 725
 726         if (sums.isContinuous())
 727         {
 728             cols *= n;
 729             n = 1;
 730         }
 731
 732         switch (activ_func)
 733         {
 734         case SIGMOID_SYM:
 735             for (i = 0; i < n; i++)
 736             {
 737                 double* data = sums.ptr<double>(i);
 738                 for (j = 0; j < cols; j++)
 739                 {
 740                     if (!cvIsInf(data[j]))
 741                     {
 742                         double t = scale2*(1. - data[j]) / (1. + data[j]);
 743                         data[j] = t;
 744                     }
 745                     else
 746                     {
 747                         data[j] = -scale2;
 748                     }
 749                 }
 750             }
 751             break;
 752
 753         case GAUSSIAN:
 754             for (i = 0; i < n; i++)
 755             {
 756                 double* data = sums.ptr<double>(i);
 757                 for (j = 0; j < cols; j++)
 758                     data[j] = scale2*data[j];
 759             }
 760             break;
 761
 762         default:
 763             ;
 764         }
 765     }
 766
 767     void calc_activ_func_deriv(Mat& _xf, Mat& _df, const Mat& w) const
 768     {
 769         const double* bias = w.ptr<double>(w.rows - 1);
 770         int i, j, n = _xf.rows, cols = _xf.cols;
 771
 772         if (activ_func == IDENTITY)
 773         {
 774             for (i = 0; i < n; i++)
 775             {
 776                 double* xf = _xf.ptr<double>(i);
 777                 double* df = _df.ptr<double>(i);
 778
 779                 for (j = 0; j < cols; j++)
 780                 {
 781                     xf[j] += bias[j];
 782                     df[j] = 1;
 783                 }
 784             }
 785         }
 786         else if (activ_func == RELU)
 787         {
 788             for (i = 0; i < n; i++)
 789             {
 790                 double* xf = _xf.ptr<double>(i);
 791                 double* df = _df.ptr<double>(i);
 792
 793                 for (j = 0; j < cols; j++)
 794                 {
 795                     xf[j] += bias[j];
 796                     if (xf[j] < 0)
 797                     {
 798                         xf[j] = 0;
 799                         df[j] = 0;
 800                     }
 801                     else
 802                         df[j] = 1;
 803                 }
 804             }
 805         }
 806         else if (activ_func == LEAKYRELU)
 807         {
 808             for (i = 0; i < n; i++)
 809             {
 810                 double* xf = _xf.ptr<double>(i);
 811                 double* df = _df.ptr<double>(i);
 812
 813                 for (j = 0; j < cols; j++)
 814                 {
 815                     xf[j] += bias[j];
 816                     if (xf[j] < 0)
 817                     {
 818                         xf[j] = f_param1*xf[j];
 819                         df[j] = f_param1;
 820                     }
 821                     else
 822                         df[j] = 1;
 823                 }
 824             }
 825         }
 826         else if (activ_func == GAUSSIAN)
 827         {
 828             double scale = -f_param1*f_param1;
 829             double scale2 = scale*f_param2;
 830             for (i = 0; i < n; i++)
 831             {
 832                 double* xf = _xf.ptr<double>(i);
 833                 double* df = _df.ptr<double>(i);
 834
 835                 for (j = 0; j < cols; j++)
 836                 {
 837                     double t = xf[j] + bias[j];
 838                     df[j] = t * 2 * scale2;
 839                     xf[j] = t*t*scale;
 840                 }
 841             }
 842             exp(_xf, _xf);
 843
 844             for (i = 0; i < n; i++)
 845             {
 846                 double* xf = _xf.ptr<double>(i);
 847                 double* df = _df.ptr<double>(i);
 848
 849                 for (j = 0; j < cols; j++)
 850                     df[j] *= xf[j];
 851             }
 852         }
 853         else
 854         {
 855             double scale = f_param1;
 856             double scale2 = f_param2;
 857
 858             for (i = 0; i < n; i++)
 859             {
 860                 double* xf = _xf.ptr<double>(i);
 861                 double* df = _df.ptr<double>(i);
 862
 863                 for (j = 0; j < cols; j++)
 864                 {
 865                     xf[j] = (xf[j] + bias[j])*scale;
 866                     df[j] = -fabs(xf[j]);
 867                 }
 868             }
 869
 870             exp(_df, _df);
 871
 872             // ((1+exp(-ax))^-1)'=a*((1+exp(-ax))^-2)*exp(-ax);
 873             // ((1-exp(-ax))/(1+exp(-ax)))'=(a*exp(-ax)*(1+exp(-ax)) + a*exp(-ax)*(1-exp(-ax)))/(1+exp(-ax))^2=
 874             // 2*a*exp(-ax)/(1+exp(-ax))^2
 875             scale *= 2 * f_param2;
 876             for (i = 0; i < n; i++)
 877             {
 878                 double* xf = _xf.ptr<double>(i);
 879                 double* df = _df.ptr<double>(i);
 880
 881                 for (j = 0; j < cols; j++)
 882                 {
 883                     int s0 = xf[j] > 0 ? 1 : -1;
 884                     double t0 = 1. / (1. + df[j]);
 885                     double t1 = scale*df[j] * t0*t0;
 886                     t0 *= scale2*(1. - df[j])*s0;
 887                     df[j] = t1;
 888                     xf[j] = t0;
 889                 }
 890             }
 891         }
 892     }
 893
 894     void calc_input_scale( const Mat& inputs, int flags )
 895     {
 896         bool reset_weights = (flags & UPDATE_WEIGHTS) == 0;
 897         bool no_scale = (flags & NO_INPUT_SCALE) != 0;
 898         double* scale = weights[0].ptr<double>();
 899         int count = inputs.rows;
 900
 901         if( reset_weights )
 902         {
 903             int i, j, vcount = layer_sizes[0];
 904             int type = inputs.type();
 905             double a = no_scale ? 1. : 0.;
 906
 907             for( j = 0; j < vcount; j++ )
 908                 scale[2*j] = a, scale[j*2+1] = 0.;
 909
 910             if( no_scale )
 911                 return;
 912
 913             for( i = 0; i < count; i++ )
 914             {
 915                 const uchar* p = inputs.ptr(i);
 916                 const float* f = (const float*)p;
 917                 const double* d = (const double*)p;
 918                 for( j = 0; j < vcount; j++ )
 919                 {
 920                     double t = type == CV_32F ? (double)f[j] : d[j];
 921                     scale[j*2] += t;
 922                     scale[j*2+1] += t*t;
 923                 }
 924             }
 925
 926             for( j = 0; j < vcount; j++ )
 927             {
 928                 double s = scale[j*2], s2 = scale[j*2+1];
 929                 double m = s/count, sigma2 = s2/count - m*m;
 930                 scale[j*2] = sigma2 < DBL_EPSILON ? 1 : 1./sqrt(sigma2);
 931                 scale[j*2+1] = -m*scale[j*2];
 932             }
 933         }
 934     }
 935
 936     void calc_output_scale( const Mat& outputs, int flags )
 937     {
 938         int i, j, vcount = layer_sizes.back();
 939         int type = outputs.type();
 940         double m = min_val, M = max_val, m1 = min_val1, M1 = max_val1;
 941         bool reset_weights = (flags & UPDATE_WEIGHTS) == 0;
 942         bool no_scale = (flags & NO_OUTPUT_SCALE) != 0;
 943         int l_count = layer_count();
 944         double* scale = weights[l_count].ptr<double>();
 945         double* inv_scale = weights[l_count+1].ptr<double>();
 946         int count = outputs.rows;
 947
 948         if( reset_weights )
 949         {
 950             double a0 = no_scale ? 1 : DBL_MAX, b0 = no_scale ? 0 : -DBL_MAX;
 951
 952             for( j = 0; j < vcount; j++ )
 953             {
 954                 scale[2*j] = inv_scale[2*j] = a0;
 955                 scale[j*2+1] = inv_scale[2*j+1] = b0;
 956             }
 957
 958             if( no_scale )
 959                 return;
 960         }
 961
 962         for( i = 0; i < count; i++ )
 963         {
 964             const uchar* p = outputs.ptr(i);
 965             const float* f = (const float*)p;
 966             const double* d = (const double*)p;
 967
 968             for( j = 0; j < vcount; j++ )
 969             {
 970                 double t = type == CV_32F ? (double)f[j] : d[j];
 971
 972                 if( reset_weights )
 973                 {
 974                     double mj = scale[j*2], Mj = scale[j*2+1];
 975                     if( mj > t ) mj = t;
 976                     if( Mj < t ) Mj = t;
 977
 978                     scale[j*2] = mj;
 979                     scale[j*2+1] = Mj;
 980                 }
 981                 else if( !no_scale )
 982                 {
 983                     t = t*inv_scale[j*2] + inv_scale[2*j+1];
 984                     if( t < m1 || t > M1 )
 985                         CV_Error( CV_StsOutOfRange,
 986                                  "Some of new output training vector components run exceed the original range too much" );
 987                 }
 988             }
 989         }
 990
 991         if( reset_weights )
 992             for( j = 0; j < vcount; j++ )
 993             {
 994                 // map mj..Mj to m..M
 995                 double mj = scale[j*2], Mj = scale[j*2+1];
 996                 double a, b;
 997                 double delta = Mj - mj;
 998                 if( delta < DBL_EPSILON )
 999                     a = 1, b = (M + m - Mj - mj)*0.5;
1000                 else
1001                     a = (M - m)/delta, b = m - mj*a;
1002                 inv_scale[j*2] = a; inv_scale[j*2+1] = b;
1003                 a = 1./a; b = -b*a;
1004                 scale[j*2] = a; scale[j*2+1] = b;
1005             }
1006     }
1007
1008     void prepare_to_train( const Mat& inputs, const Mat& outputs,
1009                            Mat& sample_weights, int flags )
1010     {
1011         if( layer_sizes.empty() )
1012             CV_Error( CV_StsError,
1013                      "The network has not been created. Use method create or the appropriate constructor" );
1014
1015         if( (inputs.type() != CV_32F && inputs.type() != CV_64F) ||
1016             inputs.cols != layer_sizes[0] )
1017             CV_Error( CV_StsBadArg,
1018                      "input training data should be a floating-point matrix with "
1019                      "the number of rows equal to the number of training samples and "
1020                      "the number of columns equal to the size of 0-th (input) layer" );
1021
1022         if( (outputs.type() != CV_32F && outputs.type() != CV_64F) ||
1023             outputs.cols != layer_sizes.back() )
1024             CV_Error( CV_StsBadArg,
1025                      "output training data should be a floating-point matrix with "
1026                      "the number of rows equal to the number of training samples and "
1027                      "the number of columns equal to the size of last (output) layer" );
1028
1029         if( inputs.rows != outputs.rows )
1030             CV_Error( CV_StsUnmatchedSizes, "The numbers of input and output samples do not match" );
1031
1032         Mat temp;
1033         double s = sum(sample_weights)[0];
1034         sample_weights.convertTo(temp, CV_64F, 1./s);
1035         sample_weights = temp;
1036
1037         calc_input_scale( inputs, flags );
1038         calc_output_scale( outputs, flags );
1039     }
1040
1041     bool train( const Ptr<TrainData>& trainData, int flags )
1042     {
1043         const int MAX_ITER = 1000;
1044         const double DEFAULT_EPSILON = FLT_EPSILON;
1045
1046         // initialize training data
1047         Mat inputs = trainData->getTrainSamples();
1048         Mat outputs = trainData->getTrainResponses();
1049         Mat sw = trainData->getTrainSampleWeights();
1050         prepare_to_train( inputs, outputs, sw, flags );
1051
1052         // ... and link weights
1053         if( !(flags & UPDATE_WEIGHTS) )
1054             init_weights();
1055
1056         TermCriteria termcrit;
1057         termcrit.type = TermCriteria::COUNT + TermCriteria::EPS;
1058         termcrit.maxCount = std::max((params.termCrit.type & CV_TERMCRIT_ITER ? params.termCrit.maxCount : MAX_ITER), 1);
1059         termcrit.epsilon = std::max((params.termCrit.type & CV_TERMCRIT_EPS ? params.termCrit.epsilon : DEFAULT_EPSILON), DBL_EPSILON);
1060
1061         int iter = 0;
1062         switch(params.trainMethod){
1063         case ANN_MLP::BACKPROP:
1064             iter = train_backprop(inputs, outputs, sw, termcrit);
1065             break;
1066         case ANN_MLP::RPROP:
1067             iter = train_rprop(inputs, outputs, sw, termcrit);
1068             break;
1069         case ANN_MLP::ANNEAL:
1070             iter = train_anneal(trainData);
1071             break;
1072         }
1073         trained = iter > 0;
1074         return trained;
1075     }
1076     int train_anneal(const Ptr<TrainData>& trainData)
1077     {
1078         SimulatedAnnealingSolver t(Ptr<SimulatedAnnealingANN_MLP>(new SimulatedAnnealingANN_MLP(*this, trainData)));
1079         t.setEnergyRNG(params.rEnergy);
1080         t.setFinalTemperature(params.finalT);
1081         t.setInitialTemperature(params.initialT);
1082         t.setCoolingRatio(params.coolingRatio);
1083         t.setIterPerStep(params.itePerStep);
1084         trained = true; // Enable call to CalcError
1085         int iter =  t.run();
1086         trained =false;
1087         return iter;
1088     }
1089
1090     int train_backprop( const Mat& inputs, const Mat& outputs, const Mat& _sw, TermCriteria termCrit )
1091     {
1092         int i, j, k;
1093         double prev_E = DBL_MAX*0.5, E = 0;
1094         int itype = inputs.type(), otype = outputs.type();
1095
1096         int count = inputs.rows;
1097
1098         int iter = -1, max_iter = termCrit.maxCount*count;
1099         double epsilon = termCrit.epsilon*count;
1100
1101         int l_count = layer_count();
1102         int ivcount = layer_sizes[0];
1103         int ovcount = layer_sizes.back();
1104
1105         // allocate buffers
1106         vector<vector<double> > x(l_count);
1107         vector<vector<double> > df(l_count);
1108         vector<Mat> dw(l_count);
1109
1110         for( i = 0; i < l_count; i++ )
1111         {
1112             int n = layer_sizes[i];
1113             x[i].resize(n+1);
1114             df[i].resize(n);
1115             dw[i] = Mat::zeros(weights[i].size(), CV_64F);
1116         }
1117
1118         Mat _idx_m(1, count, CV_32S);
1119         int* _idx = _idx_m.ptr<int>();
1120         for( i = 0; i < count; i++ )
1121             _idx[i] = i;
1122
1123         AutoBuffer<double> _buf(max_lsize*2);
1124         double* buf[] = { _buf, (double*)_buf + max_lsize };
1125
1126         const double* sw = _sw.empty() ? 0 : _sw.ptr<double>();
1127
1128         // run back-propagation loop
1129         /*
1130          y_i = w_i*x_{i-1}
1131          x_i = f(y_i)
1132          E = 1/2*||u - x_N||^2
1133          grad_N = (x_N - u)*f'(y_i)
1134          dw_i(t) = momentum*dw_i(t-1) + dw_scale*x_{i-1}*grad_i
1135          w_i(t+1) = w_i(t) + dw_i(t)
1136          grad_{i-1} = w_i^t*grad_i
1137         */
1138         for( iter = 0; iter < max_iter; iter++ )
1139         {
1140             int idx = iter % count;
1141             double sweight = sw ? count*sw[idx] : 1.;
1142
1143             if( idx == 0 )
1144             {
1145                 //printf("%d. E = %g\n", iter/count, E);
1146                 if( fabs(prev_E - E) < epsilon )
1147                     break;
1148                 prev_E = E;
1149                 E = 0;
1150
1151                 // shuffle indices
1152                 for( i = 0; i <count; i++ )
1153                 {
1154                     j = rng.uniform(0, count);
1155                     k = rng.uniform(0, count);
1156                     std::swap(_idx[j], _idx[k]);
1157                 }
1158             }
1159
1160             idx = _idx[idx];
1161
1162             const uchar* x0data_p = inputs.ptr(idx);
1163             const float* x0data_f = (const float*)x0data_p;
1164             const double* x0data_d = (const double*)x0data_p;
1165
1166             double* w = weights[0].ptr<double>();
1167             for( j = 0; j < ivcount; j++ )
1168                 x[0][j] = (itype == CV_32F ? (double)x0data_f[j] : x0data_d[j])*w[j*2] + w[j*2 + 1];
1169
1170             Mat x1( 1, ivcount, CV_64F, &x[0][0] );
1171
1172             // forward pass, compute y[i]=w*x[i-1], x[i]=f(y[i]), df[i]=f'(y[i])
1173             for( i = 1; i < l_count; i++ )
1174             {
1175                 int n = layer_sizes[i];
1176                 Mat x2(1, n, CV_64F, &x[i][0] );
1177                 Mat _w = weights[i].rowRange(0, x1.cols);
1178                 gemm(x1, _w, 1, noArray(), 0, x2);
1179                 Mat _df(1, n, CV_64F, &df[i][0] );
1180                 calc_activ_func_deriv( x2, _df, weights[i] );
1181                 x1 = x2;
1182             }
1183
1184             Mat grad1( 1, ovcount, CV_64F, buf[l_count&1] );
1185             w = weights[l_count+1].ptr<double>();
1186
1187             // calculate error
1188             const uchar* udata_p = outputs.ptr(idx);
1189             const float* udata_f = (const float*)udata_p;
1190             const double* udata_d = (const double*)udata_p;
1191
1192             double* gdata = grad1.ptr<double>();
1193             for( k = 0; k < ovcount; k++ )
1194             {
1195                 double t = (otype == CV_32F ? (double)udata_f[k] : udata_d[k])*w[k*2] + w[k*2+1] - x[l_count-1][k];
1196                 gdata[k] = t*sweight;
1197                 E += t*t;
1198             }
1199             E *= sweight;
1200
1201             // backward pass, update weights
1202             for( i = l_count-1; i > 0; i-- )
1203             {
1204                 int n1 = layer_sizes[i-1], n2 = layer_sizes[i];
1205                 Mat _df(1, n2, CV_64F, &df[i][0]);
1206                 multiply( grad1, _df, grad1 );
1207                 Mat _x(n1+1, 1, CV_64F, &x[i-1][0]);
1208                 x[i-1][n1] = 1.;
1209                 gemm( _x, grad1, params.bpDWScale, dw[i], params.bpMomentScale, dw[i] );
1210                 add( weights[i], dw[i], weights[i] );
1211                 if( i > 1 )
1212                 {
1213                     Mat grad2(1, n1, CV_64F, buf[i&1]);
1214                     Mat _w = weights[i].rowRange(0, n1);
1215                     gemm( grad1, _w, 1, noArray(), 0, grad2, GEMM_2_T );
1216                     grad1 = grad2;
1217                 }
1218             }
1219         }
1220
1221         iter /= count;
1222         return iter;
1223     }
1224
1225     struct RPropLoop : public ParallelLoopBody
1226     {
1227         RPropLoop(ANN_MLPImpl* _ann,
1228                   const Mat& _inputs, const Mat& _outputs, const Mat& _sw,
1229                   int _dcount0, vector<Mat>& _dEdw, double* _E)
1230         {
1231             ann = _ann;
1232             inputs = _inputs;
1233             outputs = _outputs;
1234             sw = _sw.ptr<double>();
1235             dcount0 = _dcount0;
1236             dEdw = &_dEdw;
1237             pE = _E;
1238         }
1239
1240         ANN_MLPImpl* ann;
1241         vector<Mat>* dEdw;
1242         Mat inputs, outputs;
1243         const double* sw;
1244         int dcount0;
1245         double* pE;
1246
1247         void operator()( const Range& range ) const
1248         {
1249             double inv_count = 1./inputs.rows;
1250             int ivcount = ann->layer_sizes.front();
1251             int ovcount = ann->layer_sizes.back();
1252             int itype = inputs.type(), otype = outputs.type();
1253             int count = inputs.rows;
1254             int i, j, k, l_count = ann->layer_count();
1255             vector<vector<double> > x(l_count);
1256             vector<vector<double> > df(l_count);
1257             vector<double> _buf(ann->max_lsize*dcount0*2);
1258             double* buf[] = { &_buf[0], &_buf[ann->max_lsize*dcount0] };
1259             double E = 0;
1260
1261             for( i = 0; i < l_count; i++ )
1262             {
1263                 x[i].resize(ann->layer_sizes[i]*dcount0);
1264                 df[i].resize(ann->layer_sizes[i]*dcount0);
1265             }
1266
1267             for( int si = range.start; si < range.end; si++ )
1268             {
1269                 int i0 = si*dcount0, i1 = std::min((si + 1)*dcount0, count);
1270                 int dcount = i1 - i0;
1271                 const double* w = ann->weights[0].ptr<double>();
1272
1273                 // grab and preprocess input data
1274                 for( i = 0; i < dcount; i++ )
1275                 {
1276                     const uchar* x0data_p = inputs.ptr(i0 + i);
1277                     const float* x0data_f = (const float*)x0data_p;
1278                     const double* x0data_d = (const double*)x0data_p;
1279
1280                     double* xdata = &x[0][i*ivcount];
1281                     for( j = 0; j < ivcount; j++ )
1282                         xdata[j] = (itype == CV_32F ? (double)x0data_f[j] : x0data_d[j])*w[j*2] + w[j*2+1];
1283                 }
1284                 Mat x1(dcount, ivcount, CV_64F, &x[0][0]);
1285
1286                 // forward pass, compute y[i]=w*x[i-1], x[i]=f(y[i]), df[i]=f'(y[i])
1287                 for( i = 1; i < l_count; i++ )
1288                 {
1289                     Mat x2( dcount, ann->layer_sizes[i], CV_64F, &x[i][0] );
1290                     Mat _w = ann->weights[i].rowRange(0, x1.cols);
1291                     gemm( x1, _w, 1, noArray(), 0, x2 );
1292                     Mat _df( x2.size(), CV_64F, &df[i][0] );
1293                     ann->calc_activ_func_deriv( x2, _df, ann->weights[i] );
1294                     x1 = x2;
1295                 }
1296
1297                 Mat grad1(dcount, ovcount, CV_64F, buf[l_count & 1]);
1298
1299                 w = ann->weights[l_count+1].ptr<double>();
1300
1301                 // calculate error
1302                 for( i = 0; i < dcount; i++ )
1303                 {
1304                     const uchar* udata_p = outputs.ptr(i0+i);
1305                     const float* udata_f = (const float*)udata_p;
1306                     const double* udata_d = (const double*)udata_p;
1307
1308                     const double* xdata = &x[l_count-1][i*ovcount];
1309                     double* gdata = grad1.ptr<double>(i);
1310                     double sweight = sw ? sw[si+i] : inv_count, E1 = 0;
1311
1312                     for( j = 0; j < ovcount; j++ )
1313                     {
1314                         double t = (otype == CV_32F ? (double)udata_f[j] : udata_d[j])*w[j*2] + w[j*2+1] - xdata[j];
1315                         gdata[j] = t*sweight;
1316                         E1 += t*t;
1317                     }
1318                     E += sweight*E1;
1319                 }
1320
1321                 for( i = l_count-1; i > 0; i-- )
1322                 {
1323                     int n1 = ann->layer_sizes[i-1], n2 = ann->layer_sizes[i];
1324                     Mat _df(dcount, n2, CV_64F, &df[i][0]);
1325                     multiply(grad1, _df, grad1);
1326
1327                     {
1328                         AutoLock lock(ann->mtx);
1329                         Mat _dEdw = dEdw->at(i).rowRange(0, n1);
1330                         x1 = Mat(dcount, n1, CV_64F, &x[i-1][0]);
1331                         gemm(x1, grad1, 1, _dEdw, 1, _dEdw, GEMM_1_T);
1332
1333                         // update bias part of dEdw
1334                         double* dst = dEdw->at(i).ptr<double>(n1);
1335                         for( k = 0; k < dcount; k++ )
1336                         {
1337                             const double* src = grad1.ptr<double>(k);
1338                             for( j = 0; j < n2; j++ )
1339                                 dst[j] += src[j];
1340                         }
1341                     }
1342
1343                     Mat grad2( dcount, n1, CV_64F, buf[i&1] );
1344                     if( i > 1 )
1345                     {
1346                         Mat _w = ann->weights[i].rowRange(0, n1);
1347                         gemm(grad1, _w, 1, noArray(), 0, grad2, GEMM_2_T);
1348                     }
1349                     grad1 = grad2;
1350                 }
1351             }
1352             {
1353                 AutoLock lock(ann->mtx);
1354                 *pE += E;
1355             }
1356         }
1357     };
1358
1359     int train_rprop( const Mat& inputs, const Mat& outputs, const Mat& _sw, TermCriteria termCrit )
1360     {
1361         const int max_buf_size = 1 << 16;
1362         int i, iter = -1, count = inputs.rows;
1363
1364         double prev_E = DBL_MAX*0.5;
1365
1366         int max_iter = termCrit.maxCount;
1367         double epsilon = termCrit.epsilon;
1368         double dw_plus = params.rpDWPlus;
1369         double dw_minus = params.rpDWMinus;
1370         double dw_min = params.rpDWMin;
1371         double dw_max = params.rpDWMax;
1372
1373         int l_count = layer_count();
1374
1375         // allocate buffers
1376         vector<Mat> dw(l_count), dEdw(l_count), prev_dEdw_sign(l_count);
1377
1378         int total = 0;
1379         for( i = 0; i < l_count; i++ )
1380         {
1381             total += layer_sizes[i];
1382             dw[i].create(weights[i].size(), CV_64F);
1383             dw[i].setTo(Scalar::all(params.rpDW0));
1384             prev_dEdw_sign[i] = Mat::zeros(weights[i].size(), CV_8S);
1385             dEdw[i] = Mat::zeros(weights[i].size(), CV_64F);
1386         }
1387
1388         int dcount0 = max_buf_size/(2*total);
1389         dcount0 = std::max( dcount0, 1 );
1390         dcount0 = std::min( dcount0, count );
1391         int chunk_count = (count + dcount0 - 1)/dcount0;
1392
1393         // run rprop loop
1394         /*
1395          y_i(t) = w_i(t)*x_{i-1}(t)
1396          x_i(t) = f(y_i(t))
1397          E = sum_over_all_samples(1/2*||u - x_N||^2)
1398          grad_N = (x_N - u)*f'(y_i)
1399
1400          std::min(dw_i{jk}(t)*dw_plus, dw_max), if dE/dw_i{jk}(t)*dE/dw_i{jk}(t-1) > 0
1401          dw_i{jk}(t) = std::max(dw_i{jk}(t)*dw_minus, dw_min), if dE/dw_i{jk}(t)*dE/dw_i{jk}(t-1) < 0
1402          dw_i{jk}(t-1) else
1403
1404          if (dE/dw_i{jk}(t)*dE/dw_i{jk}(t-1) < 0)
1405          dE/dw_i{jk}(t)<-0
1406          else
1407          w_i{jk}(t+1) = w_i{jk}(t) + dw_i{jk}(t)
1408          grad_{i-1}(t) = w_i^t(t)*grad_i(t)
1409          */
1410         for( iter = 0; iter < max_iter; iter++ )
1411         {
1412             double E = 0;
1413
1414             for( i = 0; i < l_count; i++ )
1415                 dEdw[i].setTo(Scalar::all(0));
1416
1417             // first, iterate through all the samples and compute dEdw
1418             RPropLoop invoker(this, inputs, outputs, _sw, dcount0, dEdw, &E);
1419             parallel_for_(Range(0, chunk_count), invoker);
1420             //invoker(Range(0, chunk_count));
1421
1422             // now update weights
1423             for( i = 1; i < l_count; i++ )
1424             {
1425                 int n1 = layer_sizes[i-1], n2 = layer_sizes[i];
1426                 for( int k = 0; k <= n1; k++ )
1427                 {
1428                     CV_Assert(weights[i].size() == Size(n2, n1+1));
1429                     double* wk = weights[i].ptr<double>(k);
1430                     double* dwk = dw[i].ptr<double>(k);
1431                     double* dEdwk = dEdw[i].ptr<double>(k);
1432                     schar* prevEk = prev_dEdw_sign[i].ptr<schar>(k);
1433
1434                     for( int j = 0; j < n2; j++ )
1435                     {
1436                         double Eval = dEdwk[j];
1437                         double dval = dwk[j];
1438                         double wval = wk[j];
1439                         int s = CV_SIGN(Eval);
1440                         int ss = prevEk[j]*s;
1441                         if( ss > 0 )
1442                         {
1443                             dval *= dw_plus;
1444                             dval = std::min( dval, dw_max );
1445                             dwk[j] = dval;
1446                             wk[j] = wval + dval*s;
1447                         }
1448                         else if( ss < 0 )
1449                         {
1450                             dval *= dw_minus;
1451                             dval = std::max( dval, dw_min );
1452                             prevEk[j] = 0;
1453                             dwk[j] = dval;
1454                             wk[j] = wval + dval*s;
1455                         }
1456                         else
1457                         {
1458                             prevEk[j] = (schar)s;
1459                             wk[j] = wval + dval*s;
1460                         }
1461                         dEdwk[j] = 0.;
1462                     }
1463                 }
1464             }
1465
1466             //printf("%d. E = %g\n", iter, E);
1467             if( fabs(prev_E - E) < epsilon )
1468                 break;
1469             prev_E = E;
1470         }
1471
1472         return iter;
1473     }
1474
1475     void write_params( FileStorage& fs ) const
1476     {
1477         const char* activ_func_name = activ_func == IDENTITY ? "IDENTITY" :
1478                                       activ_func == SIGMOID_SYM ? "SIGMOID_SYM" :
1479                                       activ_func == GAUSSIAN ? "GAUSSIAN" :
1480                                       activ_func == RELU ? "RELU" :
1481                                       activ_func == LEAKYRELU ? "LEAKYRELU" : 0;
1482
1483         if( activ_func_name )
1484             fs << "activation_function" << activ_func_name;
1485         else
1486             fs << "activation_function_id" << activ_func;
1487
1488         if( activ_func != IDENTITY )
1489         {
1490             fs << "f_param1" << f_param1;
1491             fs << "f_param2" << f_param2;
1492         }
1493
1494         fs << "min_val" << min_val << "max_val" << max_val << "min_val1" << min_val1 << "max_val1" << max_val1;
1495
1496         fs << "training_params" << "{";
1497         if( params.trainMethod == ANN_MLP::BACKPROP )
1498         {
1499             fs << "train_method" << "BACKPROP";
1500             fs << "dw_scale" << params.bpDWScale;
1501             fs << "moment_scale" << params.bpMomentScale;
1502         }
1503         else if (params.trainMethod == ANN_MLP::RPROP)
1504         {
1505             fs << "train_method" << "RPROP";
1506             fs << "dw0" << params.rpDW0;
1507             fs << "dw_plus" << params.rpDWPlus;
1508             fs << "dw_minus" << params.rpDWMinus;
1509             fs << "dw_min" << params.rpDWMin;
1510             fs << "dw_max" << params.rpDWMax;
1511         }
1512         else if (params.trainMethod == ANN_MLP::ANNEAL)
1513         {
1514             fs << "train_method" << "ANNEAL";
1515             fs << "initialT" << params.initialT;
1516             fs << "finalT" << params.finalT;
1517             fs << "coolingRatio" << params.coolingRatio;
1518             fs << "itePerStep" << params.itePerStep;
1519         }
1520         else
1521             CV_Error(CV_StsError, "Unknown training method");
1522
1523         fs << "term_criteria" << "{";
1524         if( params.termCrit.type & TermCriteria::EPS )
1525             fs << "epsilon" << params.termCrit.epsilon;
1526         if( params.termCrit.type & TermCriteria::COUNT )
1527             fs << "iterations" << params.termCrit.maxCount;
1528         fs << "}" << "}";
1529     }
1530
1531     void write( FileStorage& fs ) const
1532     {
1533         if( layer_sizes.empty() )
1534             return;
1535         int i, l_count = layer_count();
1536
1537         writeFormat(fs);
1538         fs << "layer_sizes" << layer_sizes;
1539
1540         write_params( fs );
1541
1542         size_t esz = weights[0].elemSize();
1543
1544         fs << "input_scale" << "[";
1545         fs.writeRaw("d", weights[0].ptr(), weights[0].total()*esz);
1546
1547         fs << "]" << "output_scale" << "[";
1548         fs.writeRaw("d", weights[l_count].ptr(), weights[l_count].total()*esz);
1549
1550         fs << "]" << "inv_output_scale" << "[";
1551         fs.writeRaw("d", weights[l_count+1].ptr(), weights[l_count+1].total()*esz);
1552
1553         fs << "]" << "weights" << "[";
1554         for( i = 1; i < l_count; i++ )
1555         {
1556             fs << "[";
1557             fs.writeRaw("d", weights[i].ptr(), weights[i].total()*esz);
1558             fs << "]";
1559         }
1560         fs << "]";
1561     }
1562
1563     void read_params( const FileNode& fn )
1564     {
1565         String activ_func_name = (String)fn["activation_function"];
1566         if( !activ_func_name.empty() )
1567         {
1568             activ_func = activ_func_name == "SIGMOID_SYM" ? SIGMOID_SYM :
1569                          activ_func_name == "IDENTITY" ? IDENTITY :
1570                          activ_func_name == "RELU" ? RELU :
1571                          activ_func_name == "LEAKYRELU" ? LEAKYRELU :
1572                          activ_func_name == "GAUSSIAN" ? GAUSSIAN : -1;
1573             CV_Assert( activ_func >= 0 );
1574         }
1575         else
1576             activ_func = (int)fn["activation_function_id"];
1577
1578         f_param1 = (double)fn["f_param1"];
1579         f_param2 = (double)fn["f_param2"];
1580
1581         setActivationFunction( activ_func, f_param1, f_param2);
1582
1583         min_val = (double)fn["min_val"];
1584         max_val = (double)fn["max_val"];
1585         min_val1 = (double)fn["min_val1"];
1586         max_val1 = (double)fn["max_val1"];
1587
1588         FileNode tpn = fn["training_params"];
1589         params = AnnParams();
1590
1591         if( !tpn.empty() )
1592         {
1593             String tmethod_name = (String)tpn["train_method"];
1594
1595             if( tmethod_name == "BACKPROP" )
1596             {
1597                 params.trainMethod = ANN_MLP::BACKPROP;
1598                 params.bpDWScale = (double)tpn["dw_scale"];
1599                 params.bpMomentScale = (double)tpn["moment_scale"];
1600             }
1601             else if (tmethod_name == "RPROP")
1602             {
1603                 params.trainMethod = ANN_MLP::RPROP;
1604                 params.rpDW0 = (double)tpn["dw0"];
1605                 params.rpDWPlus = (double)tpn["dw_plus"];
1606                 params.rpDWMinus = (double)tpn["dw_minus"];
1607                 params.rpDWMin = (double)tpn["dw_min"];
1608                 params.rpDWMax = (double)tpn["dw_max"];
1609             }
1610             else if (tmethod_name == "ANNEAL")
1611             {
1612                 params.trainMethod = ANN_MLP::ANNEAL;
1613                 params.initialT = (double)tpn["initialT"];
1614                 params.finalT = (double)tpn["finalT"];
1615                 params.coolingRatio = (double)tpn["coolingRatio"];
1616                 params.itePerStep = tpn["itePerStep"];
1617             }
1618             else
1619                 CV_Error(CV_StsParseError, "Unknown training method (should be BACKPROP or RPROP)");
1620
1621             FileNode tcn = tpn["term_criteria"];
1622             if( !tcn.empty() )
1623             {
1624                 FileNode tcn_e = tcn["epsilon"];
1625                 FileNode tcn_i = tcn["iterations"];
1626                 params.termCrit.type = 0;
1627                 if( !tcn_e.empty() )
1628                 {
1629                     params.termCrit.type |= TermCriteria::EPS;
1630                     params.termCrit.epsilon = (double)tcn_e;
1631                 }
1632                 if( !tcn_i.empty() )
1633                 {
1634                     params.termCrit.type |= TermCriteria::COUNT;
1635                     params.termCrit.maxCount = (int)tcn_i;
1636                 }
1637             }
1638         }
1639     }
1640
1641     void read( const FileNode& fn )
1642     {
1643         clear();
1644
1645         vector<int> _layer_sizes;
1646         readVectorOrMat(fn["layer_sizes"], _layer_sizes);
1647         setLayerSizes( _layer_sizes );
1648
1649         int i, l_count = layer_count();
1650         read_params(fn);
1651
1652         size_t esz = weights[0].elemSize();
1653
1654         FileNode w = fn["input_scale"];
1655         w.readRaw("d", weights[0].ptr(), weights[0].total()*esz);
1656
1657         w = fn["output_scale"];
1658         w.readRaw("d", weights[l_count].ptr(), weights[l_count].total()*esz);
1659
1660         w = fn["inv_output_scale"];
1661         w.readRaw("d", weights[l_count+1].ptr(), weights[l_count+1].total()*esz);
1662
1663         FileNodeIterator w_it = fn["weights"].begin();
1664
1665         for( i = 1; i < l_count; i++, ++w_it )
1666             (*w_it).readRaw("d", weights[i].ptr(), weights[i].total()*esz);
1667         trained = true;
1668     }
1669
1670     Mat getWeights(int layerIdx) const
1671     {
1672         CV_Assert( 0 <= layerIdx && layerIdx < (int)weights.size() );
1673         return weights[layerIdx];
1674     }
1675
1676     bool isTrained() const
1677     {
1678         return trained;
1679     }
1680
1681     bool isClassifier() const
1682     {
1683         return false;
1684     }
1685
1686     int getVarCount() const
1687     {
1688         return layer_sizes.empty() ? 0 : layer_sizes[0];
1689     }
1690
1691     String getDefaultName() const
1692     {
1693         return "opencv_ml_ann_mlp";
1694     }
1695
1696     vector<int> layer_sizes;
1697     vector<Mat> weights;
1698     double f_param1, f_param2;
1699     double min_val, max_val, min_val1, max_val1;
1700     int activ_func;
1701     int max_lsize, max_buf_sz;
1702     AnnParams params;
1703     RNG rng;
1704     Mutex mtx;
1705     bool trained;
1706 };
1707
1708
1709
1710
1711 Ptr<ANN_MLP> ANN_MLP::create()
1712 {
1713     return makePtr<ANN_MLPImpl>();
1714 }
1715
1716 Ptr<ANN_MLP> ANN_MLP::load(const String& filepath)
1717 {
1718     FileStorage fs;
1719     fs.open(filepath, FileStorage::READ);
1720     CV_Assert(fs.isOpened());
1721     Ptr<ANN_MLP> ann = makePtr<ANN_MLPImpl>();
1722     ((ANN_MLPImpl*)ann.get())->read(fs.getFirstTopLevelNode());
1723     return ann;
1724 }
1725
1726 }}
1727
1728 /* End of file. */