Передо мной предстала задача анализа большого количества информации и выявления закономерностей. И первое, что пришло в голову — построить математическую модель с помощью нейронной сети.
Поскольку данные для анализа формируются в php и мне этот язык сейчас ближе всего, то искалась библиотека с интерфейсом для php. В связи с этим мне порекомендовали FANN (Fast Artificial Neural Network) — открытое программное обеспечение для построения сетей. У этого решения есть апи для 15 языков, так что почти каждый сможет выбрать что-то для себя.
Пример. Распознавание языка текста на странице
Для примера возьмем задачу легкую, но недалекую от нашей реальности и от серьезных задач. Допустим есть 1000 документов, на 3-х разных языках. Пусть это будут французский, английский и польский. Наша задача научить нейронную сеть распознавать язык документа. Для этого мы используем самый простой частотный механизм. Но тем не менее его результаты неплохи. Его суть в том, что у каждого языка с разной частотой в тексте встречаются одни и те же символы. Мы подготавливаем 3 больших куска текста для каждого из языков (английский, французкий, польский), посчитаем для каждого символа частоты. Эти данные мы передадим в нейронную сеть, с указанием какой набор частот принадлежит каждому из языков. Дальше нейронная сеть все сделает сама.
Начнем с установки FANN
Пример, установки привожу для Ubuntu.
1) Нужно установить пакеты libfann1 и libfann1-dev
apt-get install libfann* 2) Добавить поддержку fann в php
У меня стоит Apache и установлен модуль php5-dev, поэтому я делаю так
# wget http://pecl.php.net/get/fann
# tar xvfz fann
# cd fann-0.1.1
# phpize
# ./configure
# make
Если при компиляции появиться ошибки и среди них будет вот такая
fann.c:393: error: ‘zif_fannOO___set’ undeclared (first use in this function)
то следует отредактировать файл php_fann.h и за комментировать строчку 28 #define PHP_FANN_OO 1
После этого заново скомпилировать.
В итоге у нас генерируются модули которые нужно подключить к php
sudo cp -R ./modules/* /usr/lib/php5/20090626+lfs/И в php.ini дописать
extension=fann.soПерегрузили апач и проверили что все ок
php -m | grep fannРешение задачи
Для этого нужно выполнить 2 шага:
1) Обучить сеть (первый листинг)
2) И использовать готовую модель для классификации (второй листинг)
Приведу пример для первого этапа и сразу укажу ссылку на документацию
Код я максимально снабдил комментариями, что бы было понятно что к чему и не разбирать его отдельно.
Файл train.php
<?php
/*
* Задаем параметры сети. 256 - это количество входов, оно должно равняться количеству ваших параметров,
* По хорошему в этом примере должно быть намного меньне, равно количесству букв в алфавитах.
* 128 - это количество нейронов в промежуточном слое. Здесь нуужно экспериментальным путем подбирать это число.
* 3 это количество выходящих сигналов. По скольку у нас 3 языка, то для каждого будет возвращена вероятность
* 1.0 - connection_rate - его лучше не менять
* 0.7 - learning_rate - описано здесь хорошо http://www.basegroup.ru/glossary/definitions/learning_rate/
* */
$ann = fann_create(array(256, 128, 3), 1.0, 0.7);
/*
* Первый параметр - указатель на нашу сеть, второй - обучающие данные.
* Мы загружаем 3 порции данных.Каждая порция состоит их входящих показателей и эталонных результирующих.
* В нем мы сообщаем, что при таких показателях, как мы сейчас передаем, нужно весь вес
* отдавать на первы нейрон (array(1, 0, 0) // Outputs). при загрузке других типов данный мы смещаем вес на другой нейрон
* generate_frequencies - просто расчитывает частоты.
*
* Последние 3 параметра это
* - максимальное кол-во итераций
* - максимальное кол-во ошибок
* - промежуток между выводами информации
*
* В файлах en.txt, fr.txt, pl.txt хранится текс размером где-то в 10000 символов для конкретного языка
* */
fann_train($ann,
array(
array(
generate_frequencies(file_get_contents("en.txt")), // Inputs
array(1, 0, 0) // Outputs
),
array(
generate_frequencies(file_get_contents("fr.txt")), // Inputs
array(0, 1, 0) // Outputs
),
array(
generate_frequencies(file_get_contents("pl.txt")), // Inputs
array(0, 0, 1) // Outputs
),
),
100000,
0.00001,
1000
);
/*
* Сохранить нашу модель в файл. в дальнейшем ее можно использовать для класификации
* */
fann_save($ann,"classify.txt");
/*
* Функция расчета частот
* */
function generate_frequencies($text){
// Удалим все кроме букв
$text = preg_replace("/[^p{L}]/iu", "", strtolower($text));
// Найдем параметры для расчета частоты
$total = strlen($text);
$data = count_chars($text);
// Ну и сам расчет
array_walk($data, function (&$item, $key, $total){
$item = round($item/$total, 3);
}, $total);
return array_values($data);
}
?>
В коде выше мы только сгенерили модель. А теперь проверим ее в деле, код ниже анализирует текст и выдает оценку принадлежности к тому или иному языку.
Файл run.php
<?php
/*
* Загружаем модель из файла. Эту модель мы создали на предыдущем шаге.
* */
$ann = fann_create("classify.txt");
/*
* Ниже я в нашу сеть передаю 3 текста на разных языках
* Смотрим результат
* */
$output = fann_run($ann, generate_frequencies("ANN are slowly adjusted so as to produce the same output as in
the examples. The hope is that when the ANN is shown a new
X-ray images containing healthy tissues"));
var_dump($output);
$output = fann_run($ann, generate_frequencies("Voyons, Monsieur, absolument pas, les camions d’aujourd’hui ne se traînent pas, bien au contraire. Il leur arrive même de pousser les voitures. Non, croyez moi, ce qu’il vous faut, c’est un camion !
- Vous croyez ? Si vous le dites. Est-ce que je pourrais l’avoir en rouge ?
- Bien entendu cher Monsieur,vos désirs sont des ordres, vous l’aurez dans quinze jours clé en main. Et la maison sera heureuse de vous offrir le porte-clé. Si vous payez comptant. Cela va sans dire, ajouta Monsieur Filou.
- Ah, si ce "));
var_dump($output);
$output = fann_run($ann, generate_frequencies("tworząc dzieło literackie, pracuje na języku. To właśnie język stanowi tworzywo, dzięki któremu powstaje tekst. Język literacki ( lub inaczej artystyczny) powstaje poprzez wybór odpowiednich środków i przy wykorzystaniu odpowiednich zabiegów technicznych.
Kompozycja - jest to układ elementów treściowych i formalnych dzieła dokonanych według określonych zasad konstrukcyjnych.
Kształtowanie tworzywa dzieła literackiego jest procesem skomplikowanym i przebiegającym na wielu poziomach.
Składa się na nie:"));
var_dump($output);
?>
Результат
Наша модель сгенерировала следующие ответы по текстам.
В первом случае модель решила что ей на вход передали английский язык (98%) и она права
array(3) {
[0]=>
float(0.98745632171631)
[1]=>
float(0.0094089629128575)
[2]=>
float(0)
}
Во втором тексте она приняла решение в пользу французского и снова оказалась права
array(3) {
[0]=>
float(0)
[1]=>
float(0.99334162473679)
[2]=>
float(0)
}
Третий текст она тоже правильно распознала, как польский
array(3) {
[0]=>
float(0.015697015449405)
[1]=>
float(0)
[2]=>
float(1)
}
Некоторые пользователи жалуются что нейронные сети выдают вероятности, а не конкретный ответ. Для тех кто в танке добавлю, что в нашем мире все основано на вероятностях. За правильный ответ нужно считать тот который верен хотя бы на 90%, если меньше то сеть нужно до обучать, что бы улучшить классификацию.
Не смотря на такую простую систему нейронная сеть дает хорошие показатели. Можно сделать n-граммы и по ним классифицировать, это будет еще надежнее, можно оба варианта комбинировать. Нейронные сети мощный инструмент, нужно лишь научиться им пользоваться
Автор: rechik
