Encog3.2学习笔记（二）

从一个简单的例子开始

Predict，从sample中分离出来的子项目，使用tanh函数作为激活函数（默认，可以选择sigmoid）

下图为encog支持的各种激活函数（好吧，高斯函数，不论是作为核函数还是正态分布，哪里都能找到它）。

 

public static final String AF_BIPOLAR="bipolar";

public static final String AF_COMPETITIVE="comp";

public static final String AF_GAUSSIAN="gauss";

public static final String AF_LINEAR="linear";

public static final String AF_LOG="log";

public static final String AF_RAMP="ramp";

public static final String AF_SIGMOID="sigmoid";

public static final String AF_SSIGMOID="ssigmoid";

public static final String AF_SIN="sin";

public static final String AF_SOFTMAX="softmax";

public static final String AF_STEP="step";

public static final StringAF_TANH="tanh";

确认节点数目，初始化节点

从构建一个空的神经网络开始，

EncogUtility.simpleFeedForward(INPUT_WINDOW,PREDICT_WINDOW*2,0,1,true);

其中，显然INPUT_WINDOW作为入参表达入参数量（也就是输入层节点数），然后是隐藏层1节点数，隐藏层2节点数（如果为0，表示无此层），输出层节点数，激活函数类型(true表示sanh激活函数，false表示sigmoid)。

在simpleFeedForward首先创建一个pattern，用于记录各层数据，

final FeedForwardPattern pattern = new FeedForwardPattern();

之后由

final BasicNetwork network = (BasicNetwork)pattern.generate();

执行创建神经网络。

在generate函数内开始按照节点创建各种BasicLayer，注意这是一个通用类型，可以是输入层，隐藏层或者输出层。创建完成后，

result.getStructure().finalizeStructure();

进行层的管理，从注释的表达上说，应该是为了构建一个可动态增加修改层和节点数的神经网络，因此对诸多层进行了浅复制和构建了一个FlatNetwork，注意FlatNetwork和BasicNetwork没有继承派生关系。这个flat存储于structure的flat。

 

flat是用于实际计算的神经网络，存储了权重，偏置等量

 

随后既是随机各层参数result.reset();。值得一提的是，NguyenWidrowRandomizer这个类根据

double b = 0.7d *Math.pow(toCount,(1d/fromCount))/(high-low);

计算出随机数的范围，而不再是传统意义上的BP神经网络的-0.5到0.5的范围。

同时，认定The bias neuron is alwaysthe last neuron on a layer.也就是每一层都会设置一个偏置神经元，这个神经元是所属层最末（右，下，参考神经元整体图像）。

对于这种偏置神经元设置的范围为-b到b，而其它节点都是0至b之间。、

 

疑问：final BasicNetwork network = (BasicNetwork)pattern.generate();

network.reset();

generate内已经reset一次，为什么还要reset一次？

在Predict内依旧再次reset

 

准备训练样本

TemporalWindowArray temp = new TemporalWindowArray(INPUT_WINDOW,PREDICT_WINDOW);

temp.analyze(a);

return temp.process(a);最终生成MLDataSet也就是最终的训练样本集。

 

Process是较为重要的一个过程，他包含了数据的整理，比如入参和出参的配对。

/**

     *  Process  the  array.

     *  @param data  The  array  to  process.

     *  @return A  neural  data  set  that  contains  the  time-series.

     */

    public final  MLDataSet  process(final  double[]  data)  {

       final MLDataSet  result  =  new  BasicMLDataSet();

 

       final int  totalWindowSize =  this.inputWindow  +  this.predictWindow;

       final int  stopPoint  =  data.length  -  totalWindowSize;

       for (int  i  =  0;  i  <  stopPoint;  i++)  {

           final  MLData  inputData 

              =  new  BasicMLData(this.inputWindow);

           final  MLData  idealData 

              =  new  BasicMLData(this.predictWindow);

           int  index  =  i;

           // handle  input  window

           for  (int  j  =  0;  j  <  this.inputWindow;  j++)  {

              inputData.setData(j,  data[index++]);

           }//显然inputWindow决定了每个点用来训练的样本是从此点起向后inputWindow个点

 

           // handle  predict  window

           for  (int  j  =  0;  j  <  this.predictWindow;  j++)  {

              idealData.setData(j,  data[index++]);

           }//设置已知的值作为校验字段

 

假设输入窗口5，输出窗口2

那么，训练样本是从i开始5个数据，6-7个数据作为验证样本

 

           final  MLDataPair  pair  =  new  BasicMLDataPair(inputData,

                  idealData);  //设置一组样本和实际值

 

           result.add(pair);

       }

       return result;

    }