modules/ml/src/inner_functions.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 ParamGrid::ParamGrid() { minVal = maxVal = 0.; logStep = 1; }
  46 ParamGrid::ParamGrid(double _minVal, double _maxVal, double _logStep)
  47 {
  48     CV_TRACE_FUNCTION();
  49     minVal = std::min(_minVal, _maxVal);
  50     maxVal = std::max(_minVal, _maxVal);
  51     logStep = std::max(_logStep, 1.);
  52 }
  53
  54 Ptr<ParamGrid> ParamGrid::create(double minval, double maxval, double logstep) {
  55   return makePtr<ParamGrid>(minval, maxval, logstep);
  56 }
  57
  58 bool StatModel::empty() const { return !isTrained(); }
  59
  60 int StatModel::getVarCount() const { return 0; }
  61
  62 bool StatModel::train( const Ptr<TrainData>&, int )
  63 {
  64     CV_TRACE_FUNCTION();
  65     CV_Error(CV_StsNotImplemented, "");
  66     return false;
  67 }
  68
  69 bool StatModel::train( InputArray samples, int layout, InputArray responses )
  70 {
  71     CV_TRACE_FUNCTION();
  72     return train(TrainData::create(samples, layout, responses));
  73 }
  74
  75 class ParallelCalcError : public ParallelLoopBody
  76 {
  77 private:
  78     const Ptr<TrainData>& data;
  79     bool &testerr;
  80     Mat &resp;
  81     const StatModel &s;
  82     vector<double> &errStrip;
  83 public:
  84     ParallelCalcError(const Ptr<TrainData>& d, bool &t, Mat &_r,const StatModel &w, vector<double> &e) :
  85         data(d),
  86         testerr(t),
  87         resp(_r),
  88         s(w),
  89         errStrip(e)
  90     {
  91     }
  92     virtual void operator()(const Range& range) const
  93     {
  94         int idxErr = range.start;
  95         CV_TRACE_FUNCTION_SKIP_NESTED();
  96         Mat samples = data->getSamples();
  97         int layout = data->getLayout();
  98         Mat sidx = testerr ? data->getTestSampleIdx() : data->getTrainSampleIdx();
  99         const int* sidx_ptr = sidx.ptr<int>();
 100         bool isclassifier = s.isClassifier();
 101         Mat responses = data->getResponses();
 102         int responses_type = responses.type();
 103
 104         double err = 0;
 105
 106         for (int i = range.start; i < range.end; i++)
 107         {
 108             int si = sidx_ptr ? sidx_ptr[i] : i;
 109             Mat sample = layout == ROW_SAMPLE ? samples.row(si) : samples.col(si);
 110             float val = s.predict(sample);
 111             float val0 = (responses_type == CV_32S) ? (float)responses.at<int>(si) : responses.at<float>(si);
 112
 113             if (isclassifier)
 114                 err += fabs(val - val0) > FLT_EPSILON;
 115             else
 116                 err += (val - val0)*(val - val0);
 117             if (!resp.empty())
 118                 resp.at<float>(i) = val;
 119         }
 120
 121
 122         errStrip[idxErr]=err ;
 123
 124     };
 125     ParallelCalcError& operator=(const ParallelCalcError &) {
 126         return *this;
 127     };
 128 };
 129
 130
 131 float StatModel::calcError(const Ptr<TrainData>& data, bool testerr, OutputArray _resp) const
 132 {
 133     CV_TRACE_FUNCTION_SKIP_NESTED();
 134     Mat samples = data->getSamples();
 135     Mat sidx = testerr ? data->getTestSampleIdx() : data->getTrainSampleIdx();
 136     int n = (int)sidx.total();
 137     bool isclassifier = isClassifier();
 138     Mat responses = data->getResponses();
 139
 140     if (n == 0)
 141         n = data->getNSamples();
 142
 143     if (n == 0)
 144         return -FLT_MAX;
 145
 146     Mat resp;
 147     if (_resp.needed())
 148         resp.create(n, 1, CV_32F);
 149
 150     double err = 0;
 151     vector<double> errStrip(n,0.0);
 152     ParallelCalcError x(data, testerr, resp, *this,errStrip);
 153
 154     parallel_for_(Range(0,n),x);
 155
 156     for (size_t i = 0; i < errStrip.size(); i++)
 157         err += errStrip[i];
 158
 159     if (_resp.needed())
 160         resp.copyTo(_resp);
 161
 162     return (float)(err / n * (isclassifier ? 100 : 1));
 163 }
 164
 165 /* Calculates upper triangular matrix S, where A is a symmetrical matrix A=S'*S */
 166 static void Cholesky( const Mat& A, Mat& S )
 167 {
 168     CV_TRACE_FUNCTION();
 169     CV_Assert(A.type() == CV_32F);
 170
 171     S = A.clone();
 172     cv::Cholesky ((float*)S.ptr(),S.step, S.rows,NULL, 0, 0);
 173     S = S.t();
 174     for (int i=1;i<S.rows;i++)
 175         for (int j=0;j<i;j++)
 176             S.at<float>(i,j)=0;
 177 }
 178
 179 /* Generates <sample> from multivariate normal distribution, where <mean> - is an
 180    average row vector, <cov> - symmetric covariation matrix */
 181 void randMVNormal( InputArray _mean, InputArray _cov, int nsamples, OutputArray _samples )
 182 {
 183     CV_TRACE_FUNCTION();
 184     // check mean vector and covariance matrix
 185     Mat mean = _mean.getMat(), cov = _cov.getMat();
 186     int dim = (int)mean.total();  // dimensionality
 187     CV_Assert(mean.rows == 1 || mean.cols == 1);
 188     CV_Assert(cov.rows == dim && cov.cols == dim);
 189     mean = mean.reshape(1,1);     // ensure a row vector
 190
 191     // generate n-samples of the same dimension, from ~N(0,1)
 192     _samples.create(nsamples, dim, CV_32F);
 193     Mat samples = _samples.getMat();
 194     randn(samples, Scalar::all(0), Scalar::all(1));
 195
 196     // decompose covariance using Cholesky: cov = U'*U
 197     // (cov must be square, symmetric, and positive semi-definite matrix)
 198     Mat utmat;
 199     Cholesky(cov, utmat);
 200
 201     // transform random numbers using specified mean and covariance
 202     for( int i = 0; i < nsamples; i++ )
 203     {
 204         Mat sample = samples.row(i);
 205         sample = sample * utmat + mean;
 206     }
 207 }
 208
 209 }}
 210
 211 /* End of file */