Skip to content

Instantly share code, notes, and snippets.

@oxtopus

oxtopus/README.md

Last active August 29, 2015 14:21
Show Gist options
  • Save oxtopus/23384ab43e063102227f to your computer and use it in GitHub Desktop.
Save oxtopus/23384ab43e063102227f to your computer and use it in GitHub Desktop.
Download ZIP
issue #2115
Raw
STDOUT
`cpp` implementation:
ModelResult( predictionNumber=999
rawInput={'field1': 'Z68', 'classification': 'A68'}
sensorInput=SensorInput( dataRow=('Z68',)
dataDict={'field1': 'Z68', 'classification': 'A68'}
dataEncodings=[array([ 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 0., 0., 0.,
0., 0., 0., 0., 1., 1., 0., 1., 0., 1., 0., 0., 0.,
0., 0., 0., 0., 0., 0., 1., 0., 0., 0., 0., 1., 0.,
0., 0., 0., 0., 1., 0., 0., 0., 0., 0., 0., 0., 0.,
0., 0., 0., 1., 0., 0., 0., 0., 0., 0., 1., 0., 0.,
1., 0., 0., 0., 1., 1., 0., 0., 0., 0., 0., 0., 0.,
0., 0., 1., 0., 1., 0., 0., 1., 0., 0., 0., 0., 0.,
0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
1., 0., 1., 0., 0., 0., 0., 0., 0., 0., 0., 1., 1.,
1., 0., 0., 0.], dtype=float32)]
sequenceReset=0.0
category=0
)
inferences={'multiStepPredictions': {0: {'A21': 0.017018328001970076, 'A86': 0.025500122950098816, 'A85': 0.027304582883691787, 'A52': 0.018374769721847952, 'A5': 0.017380698147416558, 'A54': 0.018555549923663036, 'A68': 0.078285036390751225, 'A43': 0.017195796532000717}}, 'multiStepBestPredictions': {0: 'A68'}, 'anomalyScore': None}
metrics=None
predictedFieldIdx=None
predictedFieldName=classification
)
ModelResult( predictionNumber=1000
rawInput={'field1': 'Z75', 'classification': None}
sensorInput=SensorInput( dataRow=('Z75',)
dataDict={'field1': 'Z75', 'classification': None}
dataEncodings=[array([ 0., 0., 0., 0., 1., 0., 0., 1., 0., 0., 0., 0., 1.,
0., 0., 0., 0., 0., 1., 0., 0., 1., 1., 0., 0., 0.,
0., 0., 0., 1., 0., 0., 0., 0., 0., 0., 0., 1., 0.,
0., 0., 0., 0., 0., 1., 0., 0., 0., 0., 0., 1., 0.,
0., 0., 0., 1., 1., 0., 0., 0., 0., 0., 0., 1., 0.,
0., 1., 0., 0., 0., 0., 1., 0., 0., 0., 0., 0., 0.,
0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 0., 0., 0.,
0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 1., 0.,
0., 0., 1., 0., 0., 0., 0., 1., 0., 1., 0., 0., 0.,
0., 0., 0., 0.], dtype=float32)]
sequenceReset=0.0
category=0
)
inferences={'multiStepPredictions': {0: {10.0: 0.021096635866935359, 12.0: 0.029523950153757712, 14.0: 0.022389804874187708, 20.0: 0.024284386197955064, 23.0: 0.024051517002240334, 57.0: 0.055984890054280374, None: 0.026655194509031799, 26.0: 0.020005072580303047}}, 'multiStepBestPredictions': {0: 57.0}, 'anomalyScore': None}
metrics=None
predictedFieldIdx=None
predictedFieldName=classification
)
Switching to `py` implementation
ModelResult( predictionNumber=999
rawInput={'field1': 'Z91', 'classification': 'A91'}
sensorInput=SensorInput( dataRow=('Z91',)
dataDict={'field1': 'Z91', 'classification': 'A91'}
dataEncodings=[array([ 0., 0., 1., 0., 0., 0., 1., 1., 0., 0., 0., 0., 0.,
0., 1., 1., 1., 0., 1., 0., 0., 0., 0., 0., 0., 0.,
0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 0., 0.,
0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 0., 0., 1.,
1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 0.,
0., 0., 0., 0., 0., 0., 0., 0., 1., 0., 0., 1., 0.,
0., 0., 0., 0., 0., 1., 0., 0., 0., 0., 0., 0., 0.,
0., 0., 1., 1., 0., 0., 0., 0., 0., 1., 0., 0., 0.,
0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 0.,
1., 1., 0., 0.], dtype=float32)]
sequenceReset=0.0
category=0
)
inferences={'multiStepPredictions': {0: {'A12': 0.0262765278784447, 'A67': 0.02172648726270179, 'A60': 0.018943902499596148, 'A3': 0.023220922439247494, 'A52': 0.02190171999606073, 'A7': 0.018732111263751877, 'A91': 0.019514134499977211, 'A90': 0.04268380033354497}}, 'multiStepBestPredictions': {0: 'A90'}, 'anomalyScore': None}
metrics=None
predictedFieldIdx=None
predictedFieldName=classification
)
ModelResult( predictionNumber=1000
rawInput={'field1': 'Z60', 'classification': None}
sensorInput=SensorInput( dataRow=('Z60',)
dataDict={'field1': 'Z60', 'classification': None}
dataEncodings=[array([ 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 0., 0., 0.,
0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1.,
0., 0., 0., 0., 0., 0., 0., 0., 1., 0., 0., 0., 0.,
0., 0., 0., 0., 0., 0., 0., 1., 0., 1., 1., 0., 1.,
1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
0., 1., 0., 0., 0., 0., 1., 1., 0., 0., 0., 0., 1.,
0., 0., 0., 0., 0., 0., 1., 0., 0., 0., 0., 0., 0.,
1., 0., 0., 1., 0., 0., 1., 0., 1., 0., 1., 0., 0.,
1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 0.,
0., 0., 1., 0.], dtype=float32)]
sequenceReset=0.0
category=0
)
inferences={'multiStepPredictions': {0: {'A83': 0.017049521814562985, 'A10': 0.015987908661051004, 'A26': 0.023570763373443306, 'A60': 0.066631353873196478, 'A18': 0.017054244101916777, 'A61': 0.016429903265782565, 'A3': 0.018157330471954239, 'A90': 0.016815080302038671}}, 'multiStepBestPredictions': {0: 'A60'}, 'anomalyScore': None}
metrics=None
predictedFieldIdx=None
predictedFieldName=classification
)
Raw
test.py
import os
import random
from nupic.frameworks.opf.modelfactory import ModelFactory
PARAMS = {
'aggregationInfo': {'days': 0,
'fields': [],
'hours': 0,
'microseconds': 0,
'milliseconds': 0,
'minutes': 0,
'months': 0,
'seconds': 0,
'weeks': 0,
'years': 0},
'dataSource': 'file://' + os.path.join(os.environ["NUPIC"], "examples/opf/experiments/spatial_classification/datasets/category_0.csv"),
'errorMetric': 'avg_err',
'model': 'CLA',
'modelParams': {'anomalyParams': {u'anomalyCacheRecords': None,
u'autoDetectThreshold': None,
u'autoDetectWaitRecords': None},
'clParams': {'alpha': 0.001,
'clVerbosity': 0,
'implementation': 'cpp',
'regionName': 'CLAClassifierRegion',
'steps': '0'},
'inferenceType': 'NontemporalClassification',
'sensorParams': {'encoders': {u'classification': {'classifierOnly': True,
'fieldname': u'classification',
'n': 121,
'name': u'classification',
'type': 'SDRCategoryEncoder',
'w': 21},
u'field1': {'fieldname': u'field1',
'n': 121,
'name': u'field1',
'type': 'SDRCategoryEncoder',
'w': 21}},
'sensorAutoReset': None,
'verbosity': 0},
'spEnable': False,
'spParams': {'columnCount': 2048,
'globalInhibition': 1,
'inputWidth': 0,
'numActiveColumnsPerInhArea': 40,
'potentialPct': 0.5,
'seed': 1956,
'spVerbosity': 0,
'spatialImp': 'py',
'synPermActiveInc': 0.1,
'synPermConnected': 0.1,
'synPermInactiveDec': 0.01},
'tpEnable': False,
'tpParams': {'activationThreshold': 16,
'cellsPerColumn': 32,
'columnCount': 2048,
'globalDecay': 0.0,
'initialPerm': 0.21,
'inputWidth': 2048,
'maxAge': 0,
'maxSegmentsPerCell': 128,
'maxSynapsesPerSegment': 32,
'minThreshold': 12,
'newSynapseCount': 20,
'outputType': 'normal',
'pamLength': 1,
'permanenceDec': 0.1,
'permanenceInc': 0.1,
'seed': 1960,
'temporalImp': 'cpp',
'verbosity': 0},
'trainSPNetOnlyIfRequested': False},
'predictAheadTime': None,
'version': 1
}
model = ModelFactory.create(PARAMS)
model.enableInference({"predictedField": "classification"})
print
print "`cpp` implementation: "
print
for r in range(1000):
ip = str(random.randint(0, 99))
res = model.run({"classification": "A" + ip, "field1": "Z" + ip})
print res
for r in range(1000):
ip = str(random.randint(0, 99))
res = model.run({"classification": None, "field1": "Z" + ip})
if res.inferences["multiStepBestPredictions"][0]:
break
print res
print
print "Switching to `py` implementation"
print
PARAMS["modelParams"]["clParams"]["implementation"] = "py"
model = ModelFactory.create(PARAMS)
model.enableInference({"predictedField": "classification"})
for r in range(1000):
ip = str(random.randint(0, 99))
res = model.run({"classification": "A" + ip, "field1": "Z" + ip})
print res
for r in range(1000):
ip = str(random.randint(0, 99))
res = model.run({"classification": None, "field1": "Z" + ip})
if res.inferences["multiStepBestPredictions"][0]:
break
print res
Sign up for free to join this conversation on GitHub. Already have an account? Sign in to comment