Нейросеть на многослойных перцептронах

[Newcomer]

к чему этот разговор тогда будто я в качестве оправдывающегося, я выложил инструмент, кто видит решение своей задачи через нейросети, тот и обучает её, находит какая информация требуется для получения нужного результата.

Вот я и спрашиваю как грамотно пользоваться вашим инструментом. Как подготовить исходные данные и прочее. Вы бы на конкретном примере продемонстрировали работу нейросети.

[Владимир Ситников]

Вот я и спрашиваю как грамотно пользоваться вашим инструментом. Как подготовить исходные данные и прочее. Вы бы на конкретном примере продемонстрировали работу нейросети.

Там "проблема" и в том, что тов. capzap делал "обучение" модели на самом ПЛК.
Это, вообще говоря, сомнительный подход. Ну, можно посомневаться в целесообразности использования ПЛК для шага обучения.

Скорее всего, учить нужно на нормальном ПК (можно оперировать гораздо большими объёмами данных, строить графики), а полученную модель (коэффициенты) загружать в ПЛК.

[capzap]

Там "проблема" и в том, что тов. capzap делал "обучение" модели на самом ПЛК.
Это, вообще говоря, сомнительный подход. Ну, можно посомневаться в целесообразности использования ПЛК для шага обучения.

Скорее всего, учить нужно на нормальном ПК (можно оперировать гораздо большими объёмами данных, строить графики), а полученную модель (коэффициенты) загружать в ПЛК.

с готовыми коэффициентам я выкладывал пример в разделе ПР, так что о сомнительности я осведомлен, но если необходимо дообучение, например из-за сезонности, то режим тренировки понадобиться в этом случае пока ошибка не станет приемлемой, близкой к нулю

[Владимир Ситников]

с готовыми коэффициентам я выкладывал пример в разделе ПР, так что о сомнительности я осведомлен, но если необходимо дообучение, например из-за сезонности, то режим тренировки понадобиться в этом случае пока ошибка не станет приемлемой, близкой к нулю

В том-то и дело, что на ПК можно погонять разные алгоритмы с разными параметрами и выбрать наиболее подходящий.
На ПЛК ни график толком не построишь, ни обучение толком не проведёшь (т.к. тупо нет библиотек, а реализовывать с нуля смысла нет), ни проверишь "как бы действовал алгоритм в тех или иных условиях".

Поиграться -- можно и на ПЛК. В смысле, "если нечем заняться вечером, то можно и запустить МО на ПЛК". Хотя, всё равно для того, чтобы таким заниматься нужно хоть что-то понимать.

Если же говорить о реальном использовании МО, то обучать, дообучать, переобучать нужно на нормальном ПК.
Если говорить об изучении МО, то это лучше делать на Coursera, конференциях и т.п.

[Владимир Ситников]

Вот я и спрашиваю как грамотно пользоваться вашим инструментом. Как подготовить исходные данные и прочее. Вы бы на конкретном примере продемонстрировали работу нейросети.

В двух словах, подход такой:
1) Нужно собрать много-много данных о значениях разных параметров. Например: температура котла, температура подачи, температуры каждой батареи, скорость ветра, направление ветра, потребление электричества, дату, положение клапана (!)

В итоге, получится источник вида

Дата,параметр1,параметр2,параметр3,...

2) Потом придумать "каким алгоритмом машинного обучения пользоваться". Можно попробовать все по очереди, но если разбираться, то сразу понятно, что для задач одного типа лучше работают одни, а лучше другие

3) Допустим, определились с алгоритмом. И, например, это будет "нейронная сеть". Берём весь набор измеренных величин (ну или 50% из него), и "обучаем" нейросеть предсказывать "положение клапана". Ну, как вариант, можно предсказывать не "положение клапана" (открыт-закрыт), а например, в % (% открытости за минуту)

4) В результате шага 3 (обучения) будут получены коэффициенты нейросети. Их можно взять, зашить в ПЛК программу, и эта самая ПЛК программа будет брать результаты уже реальных измерений (температур, скоростей ветров и т.п.) и генерировать значение для "положения клапана"


Как-то так.

Не рекламы ради, но как раз 4-го марта в Новосибирске Алексей Зиновьев будет рассказывать "введение в машинное обучение".


Для "понимания", на мой взгляд, один из самых простых примеров -- предсказание того, "выжил бы человек или нет, если бы он плыл на Титанике".
На шаге 1 есть перечень пассажиров с признаками "возраст, пол, ещё что-то, выжил-нет"
На шаге 2 можно взять алгоритм "дерево принятия решения"
На шаге 3 "обучение" состоит в том, что мы скармливаем данные о всех пассажирах, а алгоритм строит дерево в духе

IF пол=Ж THEN
   СПАСЛАСЬ;
ELSIF возраст>9.5 THEN
   УМЕР;
ELSE ...
END_IF;

Смысл в том, что цепочка IF'ов генерируется автоматически, и размер этих if'ов гораздо меньше общего размера входных данных. Да, могут быть ошибки, но полученный алгоритм может предсказывать результат в том числе и для тех параметров, которые не встречались в исходной выборке.

На шаге 4 берём эту цепочку IF'ов, запихиваем в ПЛК и он может предсказывать "спасётся ли пассажир, если пол у него такой-то и возраст такой-то"