THMMY.gr

Ένα απλό νευρωνικό δίκτυο αποτελείται από έναν αριθμό νευρώνων οι οποίοι συνδέονται μεταξύ τους μέσω συνάψεων κάθε μια από τις οποίες έχει ένα ορισμένο βάρος. Για κάθε νευρώνα ορίζεται μία κατάσταση η οποία μπορεί να έχει τιμή 1 ή -1. Η τιμή που θα έχει η κατάσταση του νευρώνα υπολογίζεται αθροίζοντας τα γινόμενα των τιμών της κατάστασης των νευρώνων που συνδέονται με αυτόν επί το βάρος των αντίστοιχων συνάψεων. Αν το άθροισμα αυτό είναι μεγαλύτερο από ένα κατώφλι Θ, που ορίζεται για τον νευρώνα, η τιμή της κατάστασής του ορίζεται ως 1, διαφορετικά η κατάσταση ορίζεται ως -1. Το δίκτυο λειτουργεί θέτοντας μια αρχική τιμή για την κατάσταση του κάθε νευρώνα και επαναπροσδιορίζοντας την κατάσταση των νευρώνων με την πιο πάνω διαδικασία. Ο επαναπροσδιορισμός επαναλαμβάνεται έως ότου να μην προκύπτει αλλαγή της κατάστασης για κανέναν από τους νευρώνες του δικτύου. Στην περίπτωση αυτή λέμε ότι το δίκτυο βρίσκεται σε σταθερή κατάσταση (stable state).

Να γραφεί το λογισμικό στο οποίο να ορίζεται η κλάση neuron η οποία υλοποιεί ένα νευρώνα. Για τα αντικείμενα στον τύπο της κλάσης να οριστεί ένας extractor με την κλήση του οποίου να διαβάζονται οι ταυτότητες των νευρώνων που συνδέονται με τον νευρώνα που υλοποιεί το αντικείμενο και τα βάρη των αντίστοιχων συνάψεων. Ο extractor να διαβάζει  ακόμη το κατώφλι ενεργοποίησης του και μια αρχική τιμή για την κατάστασή του. Ως μέλος της κλάσης neuron να οριστεί ακόμη μια επικάλυψη του τελεστή new η οποία να δεσμεύει την αναγκαία μνήμη για την καταχώρηση ενός πίνακα με αντικείμενα στον τύπο της κλάσης. Για κάθε αντικείμενο του πίνακα η επικάλυψη να ορίζει ως ταυτότητα τη θέση του στον πίνακα, να διαβάζει τον αριθμό των νευρώνων που συνδέονται με τον νευρώνα που υλοποιεί το αντικείμενο και να δεσμεύει την απαραίτητη μνήμη για την καταχώρηση των ταυτοτήτων των νευρώνων αυτών και για την καταχώρηση των βαρών των συνάψεων που τους συνδέουν με τον νευρώνα που υλοποιεί το αντικείμενο. Τέλος η επικάλυψη να χρησιμοποιεί τον extractor για να εισάγει τα αντίστοιχα στοιχεία για κάθε ένα από τα αντικείμενα του πίνακα.

Στο λογισμικό να οριστεί ακόμη η κλάση network η οποία υλοποιεί ένα νευρωνικό δίκτυο. Ως μέλος της κλάσης να οριστεί μια επικάλυψη του τελεστή new η οποία να δεσμεύει την απαραίτητη μνήμη για την καταχώρηση ενός αντικειμένου στον τύπο της κλάσης. Η επικάλυψη να διαβάζει τον αριθμό των νευρώνων που αποτελούν το δίκτυο και να δεσμεύει, χρησιμοποιώντας την επικάλυψη του τελεστή new που ορίστηκε για τα αντικείμενα τύπου neuron, την απαραίτητη μνήμη για την καταχώρηση των στοιχείων των νευρώνων του δικτύου. Για την κλάση να οριστεί ακόμη ένας insertor  με την εκτέλεση του οποίου να εκτυπώνεται η κατάσταση του δικτύου (stable ή unstable) και η κατάσταση των νευρώνων που το αποτελούν.

Τέλος στην ίδια κλάση να οριστεί και η συνάρτηση calk_state() η οποία να υλοποιεί τη λειτουργία του δικτύου. Η συνάρτηση να επαναπροσδιορίζει την κατάσταση των νευρώνων του δικτύου έως ότου επιτευχθεί ένα stable state. Επειδή υπάρχει περίπτωση το δίκτυο να μη συγκλίνει σε stable state η συνάρτηση  να διαβάζεί έναν μέγιστο αριθμό επαναλήψεων για τον οποίο θα επαναπροσδιορισθούν οι καταστάσεις των νευρώνων του δικτύου. Αν εξαντληθεί ο αριθμός αυτός των επαναπροσδιορισμών και δεν έχει επιτευχθεί ένα stable state η κατάσταση του δικτύου να χαρακτηρίζεται ως unstable.

Η συνάρτηση main του προγράμματος να δεσμεύει δυναμικά μνήμη για ένα αντικείμενο τύπου network και αφού καλέσει τη συνάρτηση calk_state() για το αντικείμενο αυτό να χρησιμοποιεί τον insertor που ορίστηκε στην κλάση network για να εκτυπώσει την κατάσταση του δικτύου.

Το λογισμικό να περιέχει τις κατάλληλες επικαλύψεις του τελεστή delete για την αποδέσμευση της μνήμης που έχει δεσμευτεί δυναμικά.

 

Βοηθητικές παρατηρήσεις:

Υπάρχουν διαφοροποιήσεις μεταξύ των μεταγλωττιστών όταν η επικάλυψη του τελεστή new καλείται να δεσμεύσει μνήμη για πίνακες. Στην περίπτωση αυτή ορισμένοι μεταγλωττιστές απαιτούν το πρότυπο της συνάρτησης επικάλυψης να είναι

void *operator new[ ](size_t size)

ενώ για επικαλύψεις οι οποίες θα δεσμεύουν μνήμη για ένα μόνο στοιχείο το πρότυπο είναι

void *operator new(size_t size)

Στην περίπτωση που δεν οριστεί συνάρτηση επικάλυψης με βάση το πρώτο πρότυπο και χρησιμοποιηθεί ο τελεστής new για δέσμευση πίνακα εκτελείται η έκδοση που ορίζεται από τον μεταγλωττιστή. Άλλοι μεταγλωττιστές και στις δύο περιπτώσεις, δέχονται το δεύτερο πρότυπο.

 :o :o :o :o :o :o :o :o :o ;D ;D :D :D :D :D

ama kapoios evgale kapoio noima apo autin tn ekfwnisi as mas
diafwtisei ligo..

ak1s  αν δεν εχεις προβλημα με τον υπολογιστη σου γραφε στα ελληνικα για να ειναι πιο ευκολη η αναγνωση των μηνυματων σου απο τα υπολοιπα μελη του φορουμ...  ;)

νομιζω καταλαβα τι λεει αλλα δεν μπορω να το εξηγησω ποιο απλα απ'οτι το λεει ο κορτεσης :P

επισης να σημειωσω οτι απο χτες το πρωι επεξεργαζομαι την εκφωνηση για να την καταλαβω :P

για να γινω πιο συγκεκριμενος μπορει να σασ φανει κ λιγο ηλιθιο αλλα με

ποιο τροπο ο extractor θα διαβαζει τισ ταυτοτητεσ των νευρωνων

κ τα βαρη των συναψεων που συνδεονται με τον

νευρωνα του αντικειμενου...δεν πρεπει να δημιουργησουμε πινακα κ στον  extractor?

Δεν εχω τελειωσει την εργασια οποτε δεν ξερω αν δουλευει αλλα:


Αφου πρωτα τρεχει η επικαλυψη του new και μετα ο extractor, εφτιαξα πινακες (για την ταυτοτητα και το βαρος) για τους οποιους δεσμευω μνημη στην new και τους "γεμιζω" στον extroctor...ελπιζω να καταλαβαινεις ;)

Γιατί, γαμώ το χριστό, μου βγάζει λάθη που σχετίζονται με το εξής:
" In static member function `static void* neuron::operator new [](size_t)': " ?

ΧΩΡΙΣ ΝΑ ΤΗΝ ΕΧΩ ΟΡΙΣΕΙ STATIC!

Κ μου λέει ότι γι' αυτό δεν μπορώ να επεξεργαστώ μη-static μεταβλητές.

εδιτ: το έλυσα το πρόβλημα (βέβαια ακόμα δε ξέρω γιατί την είπε static τη new ο compiler).

<Για κάθε αντικείμενο του πίνακα η επικάλυψη να ορίζει ως ταυτότητα τη θέση του στον πίνακα>
τι θελει να πει ο ποιητησ?οεο?
<Τέλος η επικάλυψη να χρησιμοποιεί τον extractor για να εισάγει τα αντίστοιχα στοιχεία για κάθε ένα από τα αντικείμενα του πίνακα>
και εδω τι θελει να πει ο ποιητης παλι?

πως το διορθωσες αυτο??? ::)

1. Η μεταβλητή "ταυτότητα" του κάθε στοιχείου του πίνακα είναι ίση με το i (όπου i εννοώ το (i=0;i<n;i++))
2. Ο extractor να ενεργεί για κάθε αντικείμενο τύπου neuron του πίνακα κ να ρωτάει κ να βάζει τιμές στις μεταβλητές "ταυτότητα" κ "βάρος". (δες λίγο κ το παράδειγμα του φυλλαδίου του Κορτέση)

Κ στις δύο επικαλύψεις ορίζω έναν pointer π.χ neuron *n στη μία και network *d στην άλλη, με typecasting αποθηκεύω την τιμή του void pointer της new/malloc σ' αυτόν κ μετά τον χρησιμοποιώ έτσι:
για την πρώτη για κάθε στοιχείο του πίνακα n[ i ]."ταυτότητα" κτλ
για τη δεύτερη d->"αριθμός _νευρώνων" (επειδή είναι ένα μόνο) κτλ

Τα είπα λίγο σκατά κ δεν ξέρω κ πως να εξηγήσω κ καλύτερα.

Ρε παιδιά τι έγινε με την εργασία?Εγώ δεν μπόρεσα ούτε να την κατεβάσω γιατί ήταν πεσμένο το ethmmy και έβαλε κατευθείαν άλλη εργασία.Του έστειλα ένα σχετικό mail για να παρατείνει την προθεσμία αλλά δεν απάντησε.Την ανέβασε κάποιος? :(

Την ανεβασα χτες μολις ειδα οτι ανεβηκε το e-thmmy απλα την ειχα κανει απο την Παρασκευη ακομα ;)

Την προηγούμενη βδομάδα έδωσε παράταση για να την ανεβάσουμε και αυτήν τίποτα?