🧠 Rust-ceptron (Perceptron em Rust)

Implementação de um Perceptron do zero, sem frameworks de Machine Learning

Sobre • Motivação • Funcionalidades • Estrutura • Como Executar • Referências • Licença

---

📖 Sobre

Este projeto é uma implementação de um Perceptron em Rust, baseado nas aulas do canal Do Zero no YouTube, onde a implementação original é feita em C.

O objetivo principal é aprender os fundamentos de redes neurais construindo tudo do zero, sem depender de bibliotecas de Machine Learning como TensorFlow ou PyTorch. Aqui, optamos por reescrever o projeto em Rust para explorar as vantagens da linguagem em termos de segurança de memória e performance.

Como funciona

O perceptron implementado é capaz de aprender funções lineares com múltiplas entradas através do algoritmo de gradiente descendente:

1. Inicialização: Pesos (um para cada entrada) e bias são inicializados com valores aleatórios
2. Forward Pass: Calcula a saída do neurônio: y = f(Σ(xᵢ × wᵢ) + bias)
3. Cálculo do Custo: Mede o erro usando MSE (Mean Squared Error)
4. Cálculo do Gradiente: Usa diferenças finitas para aproximar a derivada parcial de cada parâmetro
5. Atualização: Ajusta todos os pesos e o bias na direção que reduz o erro

Exemplo atual: O neurônio aprende a relação entre entradas e saídas a partir de um conjunto de dados de treinamento.

⚠️ Nota: Este é um projeto de estudo e não deve ser utilizado em produção. O foco está no aprendizado dos conceitos fundamentais de redes neurais artificiais.

---

🎯 Motivação

• 📚 Aprendizado: Compreender os conceitos fundamentais de redes neurais na prática
• 🦀 Rust: Praticar a linguagem Rust em um contexto de Machine Learning
• 🔧 Do Zero: Implementar sem abstrações para entender "por baixo do capô"
• 🎥 Inspiração: Acompanhar e adaptar o conteúdo do canal Do Zero para Rust

---

✨ Funcionalidades

• Estrutura básica do Neurônio (Perceptron)
• Suporte a múltiplas entradas (n conexões)
• Inicialização de pesos e bias aleatórios
• Funções de ativação (Identidade, Sigmoid)
• Computação de saída do neurônio
• Função de custo MSE (Mean Squared Error)
• Cálculo de gradiente por diferenças finitas
• Algoritmo de treinamento (Gradiente Descendente)
• Mais funções de ativação (ReLU, Tanh)
• Múltiplas camadas (MLP - Multi-Layer Perceptron)

---

📁 Estrutura

perceptron/
├── Cargo.toml          # Configuração do projeto e dependências
├── README.md           # Documentação do projeto
└── src/
    ├── main.rs         # Ponto de entrada e demonstração de treinamento
    ├── neuron.rs       # Estrutura do neurônio e funções de inicialização
    ├── neuralnet.rs    # Funções de treinamento e cálculo de custo
    ├── netmath.rs      # Funções matemáticas (ativação, MSE)
    └── utils.rs        # Utilitários (geração de números aleatórios)

Módulos

Módulo	Descrição
main.rs	Ponto de entrada, define dados de treinamento e executa o loop de treinamento
neuron.rs	Define a estrutura Neuron e funções init_neuron() e compute_out()
neuralnet.rs	Implementa compute_cost(), compute_gradient() e train()
netmath.rs	Funções de ativação (ident, sigmoid) e custo (mse)
utils.rs	Função randomize() para gerar valores aleatórios

Componentes Principais

Componente	Módulo	Descrição
Neuron	neuron.rs	Estrutura que representa um neurônio com pesos, bias e função de ativação
init_neuron()	neuron.rs	Inicializa um neurônio com pesos e bias aleatórios
compute_out()	neuron.rs	Calcula a saída do neurônio dado um vetor de entrada
mse()	netmath.rs	Calcula o erro quadrático médio (Mean Squared Error)
ident()	netmath.rs	Função de ativação identidade (f(x) = x)
sigmoid()	netmath.rs	Função de ativação sigmoid (σ(x) = 1/(1 + e⁻ˣ))
compute_cost()	neuralnet.rs	Calcula o custo total do neurônio para um conjunto de amostras
compute_gradient()	neuralnet.rs	Calcula o gradiente de um parâmetro usando diferenças finitas
train()	neuralnet.rs	Treina o neurônio usando gradiente descendente
randomize()	utils.rs	Gera valores aleatórios em um intervalo

---

🚀 Como Executar

Pré-requisitos

• Rust instalado (versão 1.70+)
• Cargo (gerenciador de pacotes do Rust)

Instalação

# Clone o repositório
git clone https://github.com/strngrthnall/perceptron.git

# Entre no diretório
cd perceptron

# Compile o projeto
cargo build --release

# Execute
cargo run

Saída Esperada

O programa treina um neurônio com 2 entradas para aprender a relação entre entradas e saídas:

***Antes do treinamento***
O custo do neurônio : 42.5     (valor varia conforme inicialização aleatória)
O valor do weight 1 : 0.42     (peso aleatório)
O valor do weight 2 : -0.31    (peso aleatório)
O valor do bias     : -0.78    (bias aleatório)

***Depois do treinamento***
O custo do neurônio : ~0.01    (erro mínimo)
O valor do weight 1 : ~0.5     (peso ajustado)
O valor do weight 2 : ~0.1     (peso ajustado)
O valor do bias     : ~0.8     (bias ajustado)

*** Testes ***
Entrada 1 5 - Saída ~3.2
Entrada 2 8 - Saída ~4.5
Entrada 4 6 - Saída ~5.0
Entrada 5 9 - Saída ~6.8
Entrada 9 8 - Saída ~8.2
Entrada 8 5 - Saída ~6.0

💡 Os valores iniciais são aleatórios, mas após 50.000 iterações de treinamento, o neurônio converge para parâmetros que minimizam o erro entre predições e valores esperados.

---

📚 Referências

• 🎥 Canal Do Zero - YouTube
  • Série de vídeos sobre implementação de redes neurais em C
• � Repositório Original (C) - GitHub
  • Implementação original em C do canal Do Zero
• �📖 Documentação Rust - rust-lang.org
• 🧠 Perceptron - Wikipedia

---

🛠️ Tecnologias

Tecnologia	Versão	Uso
Rust	2024 Edition	Linguagem principal
rand	0.8	Geração de números aleatórios
num	0.4.3	Operações matemáticas

---

📝 Licença

Este projeto está sob a licença MIT. Veja o arquivo LICENSE para mais detalhes.

---

🤝 Contribuição

Contribuições são bem-vindas! Este é um projeto de estudo, então sinta-se à vontade para:

1. Fazer um Fork do projeto
2. Criar uma branch para sua feature (git checkout -b feature/AmazingFeature)
3. Commit suas mudanças (git commit -m 'Add some AmazingFeature')
4. Push para a branch (git push origin feature/AmazingFeature)
5. Abrir um Pull Request

---

Feito com ❤️ para fins educacionais

_{Inspirado nas aulas do canal Do Zero}