Programista_57.pdf

(15208 KB) Pobierz

CO ROBI TWÓJ PROGRAM I CZEMU TAK WOLNO • GANN W NATARCIU • STREFA CTF

Index: 285358

www

•

programistamag

•

Magazyn

programistów

liderów

zespołów

2017

(

)

marzec/kwiecień

Cena 23,90 zł (w tym VAT 5%)

SZC

ZEGÓŁY

EDYTORIAL

Algorytmiczne czarne

skrzynki

Podczas naszych programistycznych podbojów

niekiedy zdarza nam się stanąć przed koniecznością

rozwiązania jakiegoś skomplikowanego problemu.

O ile algorytmika bardzo często wyciągnie do nas

pomocną dłoń, o tyle nadal możemy się spotkać

z sytuacją, gdzie prawidłowe opisanie relacji po-

między wejściem a oczekiwanym wyjściem jest

niezwykle trudne. Na ratunek przychodzą wtedy

sieci neuronowe i algorytmy ewolucyjne. Podstawy

działania tego typu narzędzi z punktu widzenia im-

plementującego je programisty wyłożył Grzegorz

Grzęda w swoim artykule „GANN w natarciu, czyli

genetycznie programowane sieci neuronowe”.

Gotową już implementację warto sprawdzić

pod kątem wydajności. Optymalizacja nie jest

sztuką prostą i wiąże się z wieloma nieintuicyjny-

mi kwestiami. Warto pamiętać, że już w przypadku

języka C, pomimo relatywnie niskiego poziomu

abstrakcji w porównaniu do innych technologii, od

prawdziwego sprzętu dzieli nas naprawdę długa

droga. „Co robi Twój program i dlaczego tak wol-

no?” to opracowanie na temat wydajności, o której

w tym numerze pisze Maciej Czekaj.

Na temat wszechstronności Pythona w róż-

nych zastosowaniach można powiedzieć bardzo

wiele, ale czy mieliśmy świadomość, że posiada on

zestaw narzędzi do opisywania sprzętu? MyHDL

to paczka do wysokopoziomowego modelowania

umożliwiająca konwersję kodu do VHDLa lub Veri-

loga. Kilka przykładowych implementacji z użyciem

wspomnianego toolkitu pokazał i omówił w swoim

artykule Marek Sawerwain.

To naturalnie nie wszystko, co można znaleźć

w bieżącym numerze „Programisty”. Kontynuuje-

my bowiem serię na temat przetwarzania sygna-

łów cyfrowych, dużo miejsca poświęcono również

innym rozwiązaniom z zakresu Webdev. Zaprasza-

my do lektury!

Michał Leszczyński

BIBLIOTEKI I NARZĘDZIA

GANN w natarciu, czyli genetycznie programowane sieci neuronowe

Grzegorz Grzęda

Pakiet MyHDL. Python w służbie sprzętu i układów FPGA

Marek Sawerwain

PROGRAMOWANIE SYSTEMOWE

Co robi Twój program i czemu tak wolno?

Maciej Czekaj

PROGRAMOWANIE APLIKACJI WEBOWYCH

CMS as a Service, czyli Umbraco w chmurze!

Marcin Zajkowski

Microsoft Bot Framework. Tworzenie inteligentnych kanałów komunikacyjnych

Dawid Borycki

Jak rozproszyć swoją web aplikację?

Maciej Nabożny

Transmisja danych dźwiękiem w JavaScript od podstaw. Część 2: Web Audio API

Robert Rypuła

FELIETON

Zawód: Data Scientist, czyli jak zostać jednorożcem

Łukasz Kobyliński

KLUB LIDERA IT

Jak sprzedać refaktoryzację? Przypadek Nordea Bank AB

Michał Bartyzel, Łukasz Korczyński

STREFA CTF

BSidesSF 2017 – Pinlock

Jarosław Górny

PLANETA IT

Angielski dla programistów. Lekcja 2

Łukasz Piwko

KLUB DOBREJ KSIĄŻKI

WordPress i Joomla! Zabezpieczanie i ratowanie stron WWW

Mariusz "maryush" Witkowski

PRENUMERATA

Zamów prenumeratę magazynu Programista

przez formularz na stronie:

http://programistamag.pl/typy-prenumeraty/

lub zrealizuj ją na podstawie faktury Pro-forma. W spawie faktur Pro-forma prosimy kontaktować się z nami drogą mailową:

redakcja@programistamag.pl.

Prenumerata realizowana jest także przez

RUCH S.A.

Zamówienia można składać bezpośrednio na stronie:

www.prenumerata.ruch.com.pl

Pytania prosimy kierować na adres e-mail:

prenumerata@ruch.com.pl

lub kontaktując się telefonicznie z numerem:

801 800 803

lub

22 717 59 59,

godz. 7:00 – 18:00 (koszt połączenia wg taryfy operatora).

Magazyn Programista wydawany jest przez Dom Wydawniczy Anna Adamczyk

Wydawca/Redaktor naczelny:

Anna Adamczyk (annaadamczyk@programistamag.pl).

Redaktor prowadzący:

Michał Leszczyński (mleszczynski@programistamag.pl).

Korekta:

Tomasz Łopuszański.

Kierownik produkcji:

Havok.

DTP:

Havok.

Dział reklamy:

reklama@programistamag.pl,

tel. +48 663 220 102, tel. +48 604 312 716.

Prenumerata:

prenumerata@programistamag.pl.

Współpraca:

Michał Bartyzel, Mariusz Sieraczkiewicz, Dawid Kaliszewski, Marek Sawerwain, Łukasz Mazur, Łukasz

Łopuszański, Jacek Matulewski, Sławomir Sobótka, Dawid Borycki, Gynvael Coldwind, Bartosz Chrabski, Rafał Kocisz,

Michał Sajdak, Michał Bentkowski, Mariusz „maryush” Witkowski, Paweł „KrzaQ” Zakrzewski.

Adres wydawcy:

Dereniowa 4/47, 02-776 Warszawa.

Druk:

Drukarnia Edit ul. Dworkowa 2, 05-462 Wiązowna, Nakład: 4500 egz.

Nota prawna

Redakcja zastrzega sobie prawo do skrótów i opracowań tekstów

oraz do zmiany planów wydawniczych, tj. zmian w zapowiadanych

tematach artykułów i terminach publikacji, a także nakładzie

i objętości czasopisma.

O ile nie zaznaczono inaczej, wszelkie prawa do materiałów i znaków

towarowych/firmowych zamieszczanych na łamach magazynu

Programista są zastrzeżone. Kopiowanie i rozpowszechnianie ich bez

zezwolenia jest Zabronione.

Redakcja magazynu Programista nie ponosi odpowiedzialności za

szkody bezpośrednie i pośrednie, jak również za inne straty i wydatki

poniesione w związku z wykorzystaniem informacji prezentowanych na

łamach magazynu Programista.

BIBLIOTEKI I NARZĘDZIA

GANN w natarciu, czyli genetycznie

programowane sieci neuronowe

Programowanie jest nierozerwalnie związane z rozwiązywaniem rzeczywistych pro-

blemów. Stosując różne techniki, jesteśmy w stanie zamodelować skomplikowane

procesy, wyszukiwać relacje między obiektami oraz przetwarzać gromadzone dane

z ogromną szybkością. Jednak co zrobić, gdy nie istnieje optymalny przepis na roz-

wiązanie danego problemu? Gdy ograniczone zasoby nie pozwalają na sprawdzenie

wszystkich możliwości, jak mieć pewność, że wyznaczone rozwiązanie jest prawi-

dłowe? Pomocne mogą okazać się algorytmy ewolucyjne oraz sieci neuronowe.

elem tego artykułu jest pokazanie, jak w prosty sposób

zaimplementować skuteczne mechanizmy sztucznej inte-

ligencji. O ile istnieją w Internecie niezliczone biblioteki pro-

gramistyczne zarówno do sieci neuronowych, jak i algorytmów ge-

netycznych, to trudno znaleźć przepis na małe, proste rozwiązania.

Prezentowany kod jest przygotowany w języku Java, jednak nic nie

stoi na przeszkodzie, aby czytelnik przepisał go na dowolnie inny.

Języki obiektowe w naturalny sposób oddają dynamikę związaną

np. podczas „reprodukcji” lub doboru naturalnego w algorytmach

genetycznych. Nie oznacza to jednak, że implementacje w C przed-

stawionych niżej rozwiązań będą nieefektywne. Własna wydajna

biblioteka w C np. na mikrokontroler będzie w stanie skutecznie

przetwarzać dane, bez znacznego ustępowania profesjonalnym,

prekompilowanym bibliotekom ze sprzętową akceleracją.

W ramach tego artykułu pokażę, jak implementować proste roz-

wiązania sieci neuronowych oraz algorytmów ewolucyjnych. Arty-

kuł ten można potraktować jak mapę drogową, wprowadzającą we

wspaniały świat implementowania metod sztucznej inteligencji.

Przecież każda podróż zaczyna się od pierwszego kroku…

nie powstałe iloczyny są sumowane. Suma tych produktów jest

podawana jako argument tak zwanej funkcji aktywacji, która służy

podejmowaniu decyzji przez perceptron. Decyzja jest kierowana

na wyjście (Rysunek 2). Pojawia się również dodatkowy składnik.

Symbolicznie zaznaczono go jako iloczyn wagi przez liczbę 1. Jest

to tzw. polaryzacja (ang.

bias)

perceptronu. Bez tego składnika per-

ceptron nie mógłby wykonać wszystkich operacji.

Rysunek 2. Szczegółowa budowa perceptronu

PODSTAWY SIECI NEURONOWYCH

Perceptron

Idea sieci neuronowych polega głównie na symulowaniu zachowa-

nia (ludzkiego) mózgu. Jeśli popatrzy się z odpowiedniej perspek-

tywy na ten wyjątkowy narząd, zauważymy, że jest to po prostu

sieć komórek nerwowych odpowiednio połączonych ze sobą. Dla

potrzeb tego artykułu taki poziom szczegółów jest wystarczający.

Każda sieć, nawet ta bardzo skomplikowana, składa się z poje-

dynczych neuronów. Najprostszą odmianą neuronu jest zapropo-

nowany pod koniec lat 50. ubiegłego wieku model zwany

percep-

tronem.

Jest to prosta jednostka obliczeniowa, posiadająca N wejść

(przynajmniej jedno) oraz jedno wyjście (Rysunek 1).

Osobny komentarz należy się wspomnianej funkcji aktywacji. Tak

naprawdę jest to zwykła funkcja, która przetwarza wyliczoną sumę

do postaci zgodnej z formatem wyjściowym. Na przestrzeni lat prze-

badano wiele funkcji, które można by zastosować w roli aktywato-

ra odpowiedzi perceptronu. Ostatecznie opracowano zbiór funkcji,

które dobrze sprawdzają się w tej roli. Będą one szerzej omówione

w drugiej części artykułu. Teraz posłużymy się najprostszą z nich,

czyli funkcją

sign(x).

Funkcję tę opisuje zależność:

sign(x > 0)

= 1, sign(x < 0) = -1

oraz

sign(0) = 0.

Można też przyjąć

prostszy wariant:

sign(x ≥ 0) = 1

oraz

sign(x < 0) = -1.

Kod implementujący funkcjonalność perceptronu pokazano na

Listingu 1.

Listing 1. Podstawowy kod perceptronu

public class

Perceptron{

private

double[]

weights;

public

double

compute(double[] x){

double

sum

0.0;

for(int

x.length; i++){

sum

x[i]

weights[i];

}

sum

weights[x.length

1];

return

(sum >

: -1;

}

Rysunek 1. Pojedynczy perceptron

Klasyczny perceptron działa według następującej zasady: wartości

wejściowe zostają przemnożone przez odpowiednie wagi, następ-

}

2 . 2017 . (57)

Plik z chomika:

Pinger

Programista_57.pdf

Plik z chomika:

Inne pliki z tego folderu:

Inne foldery tego chomika: