Proyecto Final 2025-1: AI Neural Network

CS2013 Programación III · Informe Final

Descripción

Implementación de un juego Pong en C++ con paddle controlado por una red neuronal.

Contenidos

1. Datos generales
2. Requisitos e instalación
3. Investigación teórica
4. Diseño e implementación
5. Ejecución
6. Análisis del rendimiento
7. Trabajo en equipo
8. Conclusiones
9. Bibliografía
10. Licencia

---

Datos generales

• Tema: Juego Pong con paddle IA con Redes Neuronales en C++

• Grupo: pongsasos

• Integrantes:

  • Saldarriaga Núñez, Annemarie Alejandra – 202410265 (Alumno A)
  • Bonilla Sarmiento, Martin Jesús – 202410303 (Alumno B)
  • Lazón Meza, María Fernanda – 202410320 (Alumno C)
  • Anaya Manzo, Matias Javier – 202410238 (Alumno D)

---

Requisitos e instalación

1. Compilador: GCC 11 o superior

2. Dependencias:

   • CMake 3.18+
   • Eigen 3.4
   • Raylib

3. IDEs: CLion, VSCode o similares

4. Instalación:

   git clone https://github.com/CS1103/projecto-final-pongsasos.git
   cd pongsasos
   
   # Para macOS solo se ejecuta el siguiente comando
   brew install raylib # En macOS
   
   # Instalar raylib para Window y Linux
   git clone https://github.com/microsoft/vcpkg.git
   cd vcpkg
   
   # Windows (instala raylib para MSVC de 64 bits)
   ./bootstrap-vcpkg.bat
   ./vcpkg/vcpkg install raylib:x64-windows 
   
   # Linux (instala raylib para tripleta nativa)
   ./bootstrap-vcpkg.sh
   ./vcpkg/vcpkg install raylib
   
   # Solo una vez por sistema
   ./vcpkg/vcpkg integrate install

Luego de instalar la librería Raylib, se es necesario una última configuración:

• Para CLion:
  • Ve a: File > Settings > Build, Execution, Deployment > CMake
  • Añadir la siguiente línea en CMake options:

    -DCMAKE_TOOLCHAIN_FILE=./vcpkg/scripts/buildsystems/vcpkg.cmake

• Para VSCode (usando la extensión CMake Tools):
  • En .vscode/settings.json, agregar:

  "cmake.configureArgs": [
  "-DCMAKE_TOOLCHAIN_FILE=${workspaceFolder}/vcpkg/scripts/buildsystems/vcpkg.cmake"
  ]

• Extra: Para ejecución manual

mkdir build
cd build
cmake .. -DCMAKE_TOOLCHAIN_FILE=../vcpkg/scripts/buildsystems/vcpkg.cmake
cmake --build .

---

1. Investigación teórica

• Objetivo: Explorar fundamentos y arquitecturas de redes neuronales.

• Contenido::

  1. Historia y evolución de las NNs.
  2. Algoritmos de entrenamiento: backpropagation, optimizadores, SGD, etc..
  3. Tipos de funciones de activación.

---

2. Diseño e implementación

2.1 Arquitectura de la solución

• Patrones de diseño: ejemplo: No se he utilizado ningún patrón de diseño.

• Estructura de carpetas:

  pongsasos/
  ├── nn/
  │   ├── network.h
  │   ├── tensor.h
  ├── main.cpp
  ├── test_neural_network.cpp
  ├── README.md
  └── CMakeLists.txt
  

2.2 Manual de uso y casos de prueba

• Cómo ejecutar (en Git Bash): cd ./ruta_al_proyecto/cmake-build-debug && ./nombre_del_proyecto

• Casos de prueba:

  • Test unitario para la función de pérdida de la red.

---

3. Ejecución

Demo de ejemplo: Video/demo alojado en docs/demo.mp4. Pasos:

1. Preparar datos de entrenamiento.
2. Presionar tecla 'T' para empezar el entrenamiento'.
3. Presionar tecla 'F' para acelerar el entrenamiento.
4. La red neuronal se entrena con los datos.
5. El AIPaddle está lista para etrenar.

---

4. Análisis del rendimiento

• Métricas de ejemplo:

  • Iteraciones: 100 épocas.
  • Tiempo total de entrenamiento: 12 min.

• Ventajas/Desventajas:

  • Código ligero y dependencias mínimas.
  • – Sin paralelización, rendimiento limitado.

• Mejoras futuras:

  • Uso de CUDA para interfaz gráfica (Justificación).
  • Paralelizar entrenamiento por lotes (Esto ayudaría a disminuir el tiempo de entrenamiento).

---

5. Trabajo en equipo

Tarea	Miembro(s)
Investigación teórica	Alumno D
Implementación de la interfaz gráfica	Alumno A y C
Implementación de AIPaddle	Alumno B
Video de presentación del proyecto	Todos los integrantes
Edición del video	Alumno B

---

6. Conclusiones

• Logros: Implementar NN desde cero, validar en dataset de ejemplo.
• Evaluación: Calidad y rendimiento adecuados para propósito académico.
• Aprendizajes: Profundización en backpropagation, optimización e implementación de interfaz gráfica con librería Raylib.
• Recomendaciones: Escalar a datasets más grandes y optimizar memoria.

---

7. Bibliografía

[1] T. Esmael, “Activation Functions in Neural Networks,” International Journal of Engineering and Advanced Scientific Technology (IJEAST), vol. 4, no. 12, pp. 310–316, 2022. [En línea]. Disponible en: https://d1wqtxts1xzle7.cloudfront.net/89662883/310-316_Tesma412_IJEAST-libre.pdf

[2] M. Nielsen, Neural Networks and Deep Learning, cap. 1. [En línea]. Disponible en: https://neuralnetworksanddeeplearning.com/chap1.html

[3] S. Haykin, Neural Networks and Learning Machines, 3rd ed. Upper Saddle River, NJ, USA: Pearson Education, 2009.

[4] C. M. Bishop, Pattern Recognition and Machine Learning. New York, NY, USA: Springer, 2006.

---

Licencia

Este proyecto usa la licencia MIT. Ver LICENSE para detalles.

---