ofxNeuralGraph

openFrameworks用のグラフベースニューラルネットワークライブラリ

特徴

• グラフベースアーキテクチャ - 層構造に制限されない自由な接続
• ヘッダーオンリー実装 - ビルドが簡単、配布しやすい
• 外部依存なし - STLライブラリのみ使用
• テンプレート活性化関数 - Sigmoid、ReLU、Linear、Tanh対応
• シンプルAPI - 1行でニューロン作成可能
• 学習機能 - バックプロパゲーション、重み更新
• 可視化対応 - 重みの強さと正負を色と太さで表現
• JSON保存/読み込み - 学習済みネットワークの永続化

使用方法

#include "ofxNeuralGraph.h"

// ニューラルグラフを作成
ofxNeuralGraph::ofxNeuralGraph graph;

// 入力ニューロンを作成（Linear活性化関数）
vector<int> inputs;
inputs.push_back(graph.makeNeuron<ofxNeuralGraph::Linear>({}));
inputs.push_back(graph.makeNeuron<ofxNeuralGraph::Linear>({}));

// 隠れ層を作成（Sigmoid活性化関数）
vector<int> hidden;
graph.makeManyNeurons<ofxNeuralGraph::Sigmoid>(inputs, 3, hidden);

// 出力ニューロンを作成（Sigmoid活性化関数）
int output = graph.makeNeuron<ofxNeuralGraph::Sigmoid>(hidden);

// 重みとバイアスを初期化
graph.randomizeWeights(-0.5f, 0.5f);
graph.randomizeBiases(0.0f, 0.0f);

// 学習率を設定
graph.setLearningRate(0.1f);

// 学習ループ
graph.setInputs({{inputs[0], 0.0f}, {inputs[1], 1.0f}});
graph.forward();
float result = graph.getOutput(output);
graph.backward({{output, targetValue}});
graph.updateWeights();

// ネットワークを保存/読み込み
graph.save("network.json");
graph.load("network.json");

活性化関数

• Linear - 線形関数（入力層に推奨）
• Sigmoid - シグモイド関数（隠れ層・出力層）
• ReLU - ReLU関数（隠れ層）
• Tanh - tanh関数（隠れ層）

サンプル

example-basic: XOR問題の学習と可視化

• ネットワーク構造: 入力2→隠れ層3→出力1
• 学習データ: XOR論理演算（4パターン）
• 可視化機能:
• ニューロンとエッジの表示
• 重みの強さを線の太さで表現
• 正の重みは青、負の重みは赤で表示
• 学習進行のリアルタイム表示

操作方法

• SPACE: 学習開始/停止
• T: 基本XORテスト（0,1入力）
• C: カスタム入力テスト（0.5等の中間値）
• A: 網羅的テスト（グリッド分析）
• S: ネットワーク保存
• L: ネットワーク読み込み
• R: ネットワークリセット

インストール

1. このリポジトリをopenFrameworksのaddonsフォルダに配置 2. プロジェクトジェネレーターでexample-basicをインポート 3. ofxNeuralGraphアドオンを追加 4. ビルド・実行

ファイル構造

ofxNeuralGraph/
├── src/
│   ├── ofxNeuralGraph.h          # メインクラス
│   ├── ofxNeuron.h               # ニューロンクラス
│   └── ofxActivationFunctions.h  # 活性化関数群
├── example-basic/                # XORサンプル
│   ├── addons.make
│   ├── src/
│   │   ├── main.cpp
│   │   ├── ofApp.h
│   │   └── ofApp.cpp
│   └── bin/data/
├── README.md
└── CLAUDE.md                     # 開発指示書

技術仕様

• メモリ管理: shared_ptrで安全性確保
• 学習アルゴリズム: バックプロパゲーション
• 重み初期化: Xavier初期化
• トポロジカルソート: 依存関係を考慮した順伝播・逆伝播
• JSON形式: ニューロンの種類、重み、バイアスを保存

ライセンス

MIT