README_Zh-TW.md

Synaptic

重要訊息: Synaptic 2.x 現在正在討論階段！歡迎參加

Synaptics 是一個為 node.js 和 瀏覽器 環境打造的 javascript 類神經網路庫，它的通用算法是無架構的，所以基本上可以構建和訓練任何類型的一階甚至 二階神經網路體系結構.

這個庫包含一些內建的架構，如多層感知器、多層長短期記憶網路（LSTM）、液體狀態機 和 Hopfield 網路, 和一個能夠訓練任何給定的網路的訓練器, 其中包括 解決異或的內建訓練/測試，完成離散序列記憶任務或嵌入式　Reber　語法測試，因此你可以輕鬆測試和比較不同體系結構的性能。

該庫實現的算法來自 Derek D. Monner 的論文：

二階循環神經網路的廣義LSTM訓練算法

參考文獻中的方程已在原始碼中進行了註釋

介紹

這裡是 WIKI 的 繁體中文文件

如果你對神經網路沒有任何了解，你應該先 閱讀本指南。

如果你想要一個關於如何將數據提供給神經網路的範例，那麼看看 這篇文章.

你可能還想看看 這篇文章.

示範用例

• 解決 XOR 運算（Solve an XOR）
• 離散序列記憶任務（Discrete Sequence Recall Task）
• 學習圖像濾波器（Learn Image Filters）
• 畫一幅畫（Paint an Image）
• 自我組織映射圖（Self Organizing Map）
• 閱讀維基百科（Read from Wikipedia）
• 建立簡單的神經網路（影片）Creating a Simple Neural Network (Video)

這些示範的原始碼可以在 這個分支 中找到.

開始

• 神經元（Neurons）
• 層（Layers）
• 神經網路（Networks）
• 訓練器（Trainer）
• 構造器（Architect）

要嘗試這些範例，請切換到 gh-pages 分支.

git checkout gh-pages

概述

如何安裝

在 node 環境中

你可以使用 npm 安裝 synaptic:

npm install synaptic --save

在瀏覽器環境中

你可以使用 bower 安裝 synaptic:

bower install synaptic

或者你也可以直接使用 CDNjs 提供的 CDN 連結

<script src="https://cdnjs.cloudflare.com/ajax/libs/synaptic/1.1.4/synaptic.js"></script>

如何使用

var synaptic = require('synaptic'); // 在瀏覽器環境中不需要這行程式碼
var Neuron = synaptic.Neuron,
	Layer = synaptic.Layer,
	Network = synaptic.Network,
	Trainer = synaptic.Trainer,
	Architect = synaptic.Architect;

現在你可以開始建立神經網路，並訓練它們，或者使用 構造器 中內建的神經網路。

例子

感知器

如何建立一個簡單的感知器:

.

function Perceptron(input, hidden, output)
{
	// create the layers
	var inputLayer = new Layer(input);
	var hiddenLayer = new Layer(hidden);
	var outputLayer = new Layer(output);

	// connect the layers
	inputLayer.project(hiddenLayer);
	hiddenLayer.project(outputLayer);

	// set the layers
	this.set({
		input: inputLayer,
		hidden: [hiddenLayer],
		output: outputLayer
	});
}

// extend the prototype chain
Perceptron.prototype = new Network();
Perceptron.prototype.constructor = Perceptron;

現在你可以透過建立一個訓練器並教它如何解決 XOR 問題來訓練你的神經網路

var myPerceptron = new Perceptron(2,3,1);
var myTrainer = new Trainer(myPerceptron);

myTrainer.XOR(); // { error: 0.004998819355993572, iterations: 21871, time: 356 }

myPerceptron.activate([0,0]); // 0.0268581547421616
myPerceptron.activate([1,0]); // 0.9829673642853368
myPerceptron.activate([0,1]); // 0.9831714267395621
myPerceptron.activate([1,1]); // 0.02128894618097928

時間遞迴神經網路

下面是如何建立一個由輸入層、隱藏層、輸出層和窺視孔連接組成的時間遞迴神經網路（LSTM）

function LSTM(input, blocks, output)
{
	// create the layers
	var inputLayer = new Layer(input);
	var inputGate = new Layer(blocks);
	var forgetGate = new Layer(blocks);
	var memoryCell = new Layer(blocks);
	var outputGate = new Layer(blocks);
	var outputLayer = new Layer(output);

	// connections from input layer
	var input = inputLayer.project(memoryCell);
	inputLayer.project(inputGate);
	inputLayer.project(forgetGate);
	inputLayer.project(outputGate);

	// connections from memory cell
	var output = memoryCell.project(outputLayer);

	// self-connection
	var self = memoryCell.project(memoryCell);

	// peepholes
	memoryCell.project(inputGate);
	memoryCell.project(forgetGate);
	memoryCell.project(outputGate);

	// gates
	inputGate.gate(input, Layer.gateType.INPUT);
	forgetGate.gate(self, Layer.gateType.ONE_TO_ONE);
	outputGate.gate(output, Layer.gateType.OUTPUT);

	// input to output direct connection
	inputLayer.project(outputLayer);

	// set the layers of the neural network
	this.set({
		input: inputLayer,
		hidden: [inputGate, forgetGate, memoryCell, outputGate],
		output: outputLayer
	});
}

// extend the prototype chain
LSTM.prototype = new Network();
LSTM.prototype.constructor = LSTM;

這些是用於說明目的的範例，構造器 中已經內建了多層感知器和多層 LSTM 網路架構。

貢獻

Synaptic 是一個開放原始碼專案，始於阿根廷的布宜諾斯艾利斯。歡迎世界上任何人為此項目的發展作出貢獻.

如果你想發 PR 到本專案，請務必在提交前執行 npm run test 和 npm run build。這樣將會執行所有測試範例並構建 Web 發佈文件。

支持

如果你喜歡這個專案，並且想對本專案提供支持，可以用神奇的網路貨幣幫我買一杯啤酒：

BTC: 16ePagGBbHfm2d6esjMXcUBTNgqpnLWNeK
ETH: 0xa423bfe9db2dc125dd3b56f215e09658491cc556
XMR: 46WNbmwXpYxiBpkbHjAgjC65cyzAxtaaBQjcGpAZquhBKw2r8NtPQniEgMJcwFMCZzSBrEJtmPsTR54MoGBDbjTi2W1XmgM

<3