Neuroph初次尝试（Maven Java)

最新推荐文章于 2022-10-25 17:37:21 发布

Clauria

最新推荐文章于 2022-10-25 17:37:21 发布

阅读量646

点赞数 1

分类专栏：神经网络文章标签： Neuroph Maven Java 神经网络与深度学习

本文链接：https://blog.csdn.net/Clauria/article/details/88817388

版权

神经网络专栏收录该内容

1 篇文章 0 订阅

订阅专栏

此文是阅读《神经网络与深度学习》按照书内容而进行的尝试。
因为没有接触过Java，所以某些操作可能有些多余或错误，望见谅。
创建运行过程参考https://blog.csdn.net/qq_37059483/article/details/78359540

1.开发环境搭建

1.1安装JDK

下载最新的JDK
https://www.oracle.com/technetwork/java/javase/downloads/jdk8-downloads-2133151.html
记得先accept我是windows 64所以选择最后一个。
下载完毕，开始安装，不再赘述，目录可以更改。网上有些博客说不必安jre，我顺手安了- -，不过好像真的没必要，jdk安装完毕自带了jre。
以下是最重要的步骤，配置环境变量。
计算机右键----->属性------->高级系统设置------>环境变量
点击下面的新建
变量名为：Java_Home，变量值为jdk安装目录

ps:我很久以前装过jdk 所以环境变量配置可能有点问题我还有一个变量

双击Path变量（依旧是在下面系统变量内），添加%Java_Home%\bin（也可以把%Java_Home%换成jdk安装目录，因为我这样失败了，两个都加上了不知道为什么ok了），有的说要；%Java_Home%\bin；加分号在前后，没有尝试，大家可以试一下。
如果安装了jre也这样添加变量
打开cmd，输入java
如下就是成功了，如果不是一般是第4步有问题，可以在上面的Path（用户变量）里面再添加一下jdk路径尝试下。

1.2安装Maven

下载
下载地址：http://maven.apache.org/download.cgi
我下载的文件如图
解压到想要的地方
同上面添加环境变量，系统变量，path也同理。如果不行也按照上面尝试解决。
变量名：M2_HOME 变量值解压到的地址
打开cmd，输入mvn -v ，结果如下则成功按照。
有教程修改workplace，但是我失败了，就不再介绍。

1.3安装eclipse

下载
下载地址：https://www.eclipse.org/downloads/
安装没什么好说的

2.开始

File->New->Project->next
√第一个->next
第一个是包名前缀，第二个是项目名->finish
剩下的参照：
https://blog.csdn.net/qq_37059483/article/details/78359540
有一点点不一样：
https://maven.aliyun.com/mvn/search
修改pom.xml，等待加载完毕（注意要加dependencies)
第一个右键->new->packge->web.v1(右键）->new->file

文件名为CalculatePerceptron.java

package web.v1;
 
import java.util.Arrays;
 
import org.neuroph.core.NeuralNetwork;
import org.neuroph.core.data.DataSet;
import org.neuroph.core.data.DataSetRow;
import org.neuroph.nnet.Perceptron;
/**
 * Created by 阿龙 on 2017/1/24.
 */
public class CalculatePerceptron {
	  public static void main(String args[]){
//        建立AND训练集
        DataSet trainAndSet = new DataSet(2, 1);
        trainAndSet.addRow(new DataSetRow(new double[]{0, 0}, new double[]{0}));
        trainAndSet.addRow(new DataSetRow(new double[]{0, 1}, new double[]{0}));
        trainAndSet.addRow(new DataSetRow(new double[]{1, 0}, new double[]{0}));
        trainAndSet.addRow(new DataSetRow(new double[]{1, 1}, new double[]{1}));
 
//        建立OR训练集
        DataSet trainOrSet = new DataSet(2, 1);
        trainOrSet.addRow(new DataSetRow(new double[]{0, 0}, new double[]{0}));
        trainOrSet.addRow(new DataSetRow(new double[]{0, 1}, new double[]{1}));
        trainOrSet.addRow(new DataSetRow(new double[]{1, 0}, new double[]{1}));
        trainOrSet.addRow(new DataSetRow(new double[]{1, 1}, new double[]{1}));
 
//        建立XOR训练集
        DataSet trainXorSet = new DataSet(2, 1);
        trainXorSet.addRow(new DataSetRow(new double[]{0, 0}, new double[]{0}));
        trainXorSet.addRow(new DataSetRow(new double[]{0, 1}, new double[]{1}));
        trainXorSet.addRow(new DataSetRow(new double[]{1, 0}, new double[]{1}));
        trainXorSet.addRow(new DataSetRow(new double[]{1, 1}, new double[]{0}));
 
//        建立感知机
        NeuralNetwork myPerceptron = new Perceptron(2, 1);
//        训练AND集
        myPerceptron.learn(trainAndSet);
        System.out.println("测试感知机AND集训练结果：");
        myPerceptron.save("AND_learn_result.nnet");
        testNeuralNetwork(myPerceptron, trainAndSet);
 
//        训练OR集
        myPerceptron.learn(trainOrSet);
        System.out.println("测试感知机Or集训练结果：");
        myPerceptron.save("OR_learn_result.nnet");
        testNeuralNetwork(myPerceptron, trainOrSet);
 
//        训练XOR集
//        由于XOR输入输出情况线性不可分，将无法完成训练
        myPerceptron.learn(trainXorSet);
        System.out.println("测试感知机Xor集训练结果：");
        testNeuralNetwork(myPerceptron, trainXorSet);
 
 
    }
    public static void testNeuralNetwork(NeuralNetwork nnet, DataSet tset) {
 
            for (DataSetRow dataRow : tset.getRows()) {
 
                   nnet.setInput(dataRow.getInput());
                   nnet.calculate();
                   double[ ] networkOutput = nnet.getOutput();
                   System.out.print("Input: " + Arrays.toString(dataRow.getInput()) );
                   System.out.println(" Output: " + Arrays.toString(networkOutput) );
                 }
           }
}