Proyecto Final 2025-1: Clasificador3x3

CS2013 Programación III · Informe Final

📌 Descripción

Implementación de una red neuronal multicapa en C++20 desde cero para la clasificación de patrones simples representados como matrices binarias de 3×3, correspondientes a las clases “X”, “O” y “Nada”.

---

Contenidos

• Datos generales
• Requisitos e instalación
• Investigación teórica
• Diseño e implementación
• Ejecución
• Análisis del rendimiento
• Trabajo en equipo
• Conclusiones
• Bibliografía
• Licencia

---

Datos generales

• Tema: Redes Neuronales en AI
• Grupo: React++

Integrantes:

• Daniel Guillermo Sandoval Toro– 202310533 (Implementación de la arquitectura, modelo final)
• Sergio Leonardo Llanos Parraga– 202210188 (Documentación , informe y demo)

---

Requisitos e instalación

Compilador:

• GCC 11 o superior (soporte completo de C++20)

Dependencias:

• CMake 3.18 o superior
• Eigen 3.4 (https://eigen.tuxfamily.org)

Instalación

git clone https://github.com/CS1103/clasificador3x3.git
cd clasificador3x3
mkdir build && cd build
cmake ..
make

---

1. Investigación teórica

Objetivo: Explorar fundamentos y arquitecturas de redes neuronales artificiales (ANNs) y aplicarlas en C++.

Contenido:

• Historia y evolución de las redes neuronales: McCulloch & Pitts, Perceptrón de Rosenblatt, Rumelhart y el algoritmo de retropropagación.
• Arquitecturas relevantes: MLP (Multilayer Perceptron), comparación con CNNs y RNNs.
• Algoritmos de entrenamiento: Backpropagation, Gradient Descent.
• Funciones de activación: ReLU, Sigmoid.
• Funciones de pérdida: Binary Cross Entropy (BCE), Mean Squared Error (MSE).

---

2. Diseño e implementación

2.1 Arquitectura de la solución

Componentes principales:

• Tensor<T, R>: clase genérica para estructuras de datos N-dimensionales con operaciones matemáticas vectorizadas (broadcasting, slicing, reducción).
• Dense: capa totalmente conectada (fully connected) con pesos y bias entrenables.
• ReLU, Sigmoid: funciones de activación.
• NeuralNetwork: clase modular que orquesta capas y funciones de pérdida.
• BCELoss, MSELoss: funciones de pérdida derivadas de ILoss.
• SGD, Adam: optimizadores modulares derivados de IOptimizer.

Patrones de diseño:

• Polimorfismo: para capas, funciones de pérdida y optimizadores.
• Strategy pattern: para la selección de funciones de pérdida y optimización.
• Modularidad por cabeceras: nn_activation.h, nn_loss.h, nn_optimizer.h, etc.

Estructura de carpetas:

clasificador3x3/
├── include/           # Archivos cabecera (.h)
│   ├── tensor.h
│   ├── nn_dense.h
│   ├── nn_activation.h
│   ├── nn_loss.h
│   ├── nn_optimizer.h
│   ├── nn_interfaces.h
│   └── neural_network.h
├── src/               # Código fuente (.cpp)
│   ├── main.cpp
├── data/
│   └── dataset3x3.csv
├── CMakeLists.txt
└── README.md

---

2.2 Manual de uso y casos de prueba

Ejecución desde terminal:

./clasificador3x3

Entrada esperada: Archivo CSV dataset3x3.csv con ejemplos de entrenamiento con 9 valores binarios por fila (3x3) y etiqueta one-hot (3 columnas).

Casos de prueba:

• Carga y parsing de dataset CSV
• Test de capa Dense con propagación hacia adelante
• Test de función de activación ReLU
• Validación de predicción final comparando argmax del output con la clase real
• Precisión sobre conjunto de prueba (accuracy)

---

3. Ejecución

Flujo:

1. Se carga el dataset 3x3 desde dataset3x3.csv
2. Se divide automáticamente en 80% entrenamiento y 20% prueba
3. La red se construye y entrena por 500 épocas con BCELoss
4. Se imprime por consola la clase predicha vs. real y precisión final

Ejemplo de salida:

Prediccion: O | Real: O  
Prediccion: Nada | Real: Nada  
...
Accuracy: 90.0%

---

4. Análisis del rendimiento

Métricas:

• Iteraciones: 500 épocas
• Tiempo total de entrenamiento: < 1 segundo (dataset pequeño)
• Precisión final: entre 85% y 92%

Ventajas:

• Modularidad total del código
• Código C++ puro y ligero, sin dependencias pesadas
• Entrenamiento rápido en CPU

Desventajas:

• Dataset muy limitado (figuras simples)
• No optimizado para procesamiento en paralelo
• No generaliza a imágenes reales o tareas complejas

Mejoras futuras:

• Reemplazar multiplicaciones por BLAS/Eigen para mayor velocidad
• Permitir entrenamiento multi-thread con OpenMP
• Soporte para Softmax y clasificación multiclase más robusta

---

5. Trabajo en equipo

Tarea	Miembro	Rol
Investigación teórica	Daniel Sandoval	Documentar bases teóricas
Diseño de la arquitectura	Daniel Sandoval	UML y estructura de clases
Implementación del modelo	Daniel Sandoval	Programación del sistema completo
Pruebas y benchmarking	Sergio Llanos	Generación de métricas y validación
Documentación y demo	Sergio Llanos	Redacción del README y video de ejecución
Informe	Sergio Llanos	Redacción del informe

---

6. Conclusiones

• Logros:

  • Implementación completa de red neuronal desde cero en C++
  • Modularidad, reutilización y claridad en el diseño
  • Precisión adecuada en pruebas sintéticas

• Evaluación:

  • El rendimiento cumple con los objetivos académicos del curso
  • Buen manejo de memoria y eficiencia en ejecución

• Aprendizajes:

  • Retropropagación y descenso de gradiente
  • Diseño de software moderno en C++
  • Uso de estructuras de datos genéricas y abstracción

• Recomendaciones:

  • Explorar datasets reales (MNIST)
  • Añadir visualizaciones de entrenamiento y métricas

---

7. Bibliografía

[1] Y. LeCun, Y. Bengio y G. Hinton, “Deep learning,” Nature, vol. 521, pp. 436–444, 2015. [2] D. E. Rumelhart, G. E. Hinton y R. J. Williams, “Learning representations by back-propagating errors,” Nature, vol. 323, pp. 533–536, 1986. [3] J. Schmidhuber, “Deep Learning in Neural Networks: An Overview,” Neural Networks, vol. 61, pp. 85–117, 2015. [4] I. Goodfellow, Y. Bengio y A. Courville, Deep Learning, MIT Press, 2016.

---

8. Video de la demo

Link de la demo del video: https://youtu.be/VhbCv4L3AgQ

---

9. Link del informe

Ver informe del proyecto en PDF

---

Licencia

Este proyecto usa la licencia MIT. Consulta el archivo LICENSE para más detalles.