JOONE-神经网络 java api

如何使用java代码构建NN

引擎的支点是Layer对象。它由N个神经元组成（可以通过属性'rows'设置）。想象一下由三层组成的前馈神经网络，如下所示：

要使用joone构建这个网络，我们必须创建三个Layer对象和两个Synapse对象：

      SigmoidLayer layer1 = new SigmoidLayer（）;
      SigmoidLayer layer2 = new SigmoidLayer（）;
      SigmoidLayer layer3 = new SygmoidLayer（）;
      FullSynapse synapse1 = new FullSynapse（）;
      FullSynapse synapse2 = new FullSynapse（）;

然后我们完成网连接三个层与突触：

      layer1.addOutputSynapse（synapse1）;
      layer2.addInputSynapse（synapse1）;
      layer2.addOutputSynapse（synapse2）;
      layer3.addInputSynapse（synapse2）;

在这里你可以看到，每个突触是一个层的输出突触和网络中下一层的输入突触。这个简单的网络已经准备就绪，但它不能做任何有用的工作，因为没有组件读/写网络必须详细阐述的数据。看下一个例子来学习如何建立一个真正的网络，它可以训练和用于一个真正的问题。

一个真正的实现：XOR问题

假设我们必须建立一个网来教授古典XOR问题。在本示例中，网络必须学习以下XOR真值表：

XOR真值表

输入1	输入2	输出
0	0	0
0	1	1
1	0	1
1	1	0

所以，我们必须创建一个包含这个值的文件：

	0.0; 0.0;
	0.0; 1.0; 1.0
	1.0; 0.0; 1.0
	1.0; 1.0; 0.0

每个列必须用分号分隔; 如果数字是整数，小数点不是强制的。使用文本编辑器编写此文件并将其保存在文件系统（例如Windows环境中的c：\ joone \ xor.txt）中。现在我们将建立神经网络，正如文学说，必须有三层：

1. 具有2个神经元的输入层，以映射XOR函数的两个输入。
2. 隐藏层有3个神经元，一个很好的价值，以加快网的收敛。
3. 具有1个神经元的输出层，以表示XOR函数的输出。

如下图所示：

首先，我们创建三个层（其中两个使用Sigmoid传递函数）：

	LinearLayer input = new LinearLayer（）;
	SigmoidLayer hidden = new SigmoidLayer（）;
	SigmoidLayer output = new SygmoidLayer（）;

设置尺寸：

	input.setRows（2）;
	hidden.setRows（3）;
	output.setRows（1）;

现在我们建立连接层的神经网络，所以我们创建两个突触; 我们使用FullSynapse，将其输入上的所有神经元与其输出上的所有神经元连接（见上图）：

	FullSynapse synapse_IH = new FullSynapse（）; / * Input  - > Hidden conn。* /
	FullSynapse synapse_HO = new FullSynapse（）; / * Hidden  - > Output conn。* /

首先，我们连接输入层和隐藏层：

	input.addOutputSynapse（synapse_IH）;
	hidden.addInputSynapse（synapse_IH）;

然后，隐藏层与输出层：

	hidden.addOutputSynapse（synapse_HO）;
	output.addInputSynapse（synapse_HO）;

创建NeuralNet对象并添加图层：

	NeuralNet nnet = new NeuralNet（）;
	nnet.addLayer（input，NeuralNet.INPUT_LAYER）;
	nnet.addLayer（hidden，NeuralNet.HIDDEN_LAYER）;
	nnet.addLayer（output，NeuralNet.OUTPUT_LAYER）;
	

现在我们提取Monitor对象的引用，以便为网络提供其工作所需的所有参数：

	Monitor monitor = nnet.getMonitor（）;
	monitor.setLearningRate（0.7）;
	monitor.setMomentum（0.5）;

应用程序将自身注册为监听器的监听器，因此它可以从网络接收终止的通知。为此，应用程序必须实现org.joone.engine.NeuralNetListener接口。

    	monitor.addNeuralNetListener（this）;

现在我们必须为网络定义一个输入，然后我们创建一个org.joone.io.FileInputStream并给它所有的参数：

	FileInputSynapse inputStream = new FileInputSynapse（）;
	/ *前两列包含输入值* /
	inputStream.setAdvancedColumnSelector（“1,2”）;
	/ *这是包含输入数据的文件* /
	inputStream.setInputFile（new File（“＃topofpage”））;

我们将输入突触添加到第一层。输入突触扩展了Synapse对象，然后它可以连接到一个层，如突触; 所以图层不处理其输入对象的种类。

	input.addInputSynapse（inputStream）;

神经网可以从例子中学习，所以我们必须向它提供正确的答案。对于每个输入，事实上，网络必须提供期望的响应和从网络给出的有效响应之间的差;org.joone.engine.learning.TeachingSynapse是具有此任务的对象：

	TeachingSynapse（）;
	/ *设置包含所需响应的文件，由FileInputSynapse * /
	FileInputSynapse samples = new FileInputSynapse（）;
	samples.setInputFile（new File（“＃topofpage”））;
	trainer.setDesired（samples）;
	/ *输出值在文件的第三列* /
	samples.setAdvancedColumnSelector（“3”）;
	/ *我们将它添加到神经网络* /
	nnet.setTeacher（教练）;

TeacherSynapse对象扩展了Synapse对象，然后我们可以将其添加为网络的最后一层的输出。

	output.addOutputSynapse（trainer）;

我们设置网络的所有训练参数：

	monitor.setTrainingPatterns（4）; / *输入文件中包含的行数* /
	monitor.setTotCicles（2000）; / *网络必须在输入模式上训练多少次* /
	monitor.setLearning（true）; / *网必须训练* /
	nnet.go（）; / *网络启动培训作业* /

（您可以在CVS存储库中找到源代码到org.joone.example包中）

如果这个例子看起来太复杂了（它只有一个小的网，只有5个神经元！），记住这是一个低级的方法; 这里我们只使用java中的核心引擎编码。你可以用以下三种方式（按难度递减排序）用joone构建神经网络：

1. 像上面的例子，通过编写使用核心引擎的java代码
2. 通过使用JooneTools帮助类来简化神经网络的使用，通过隐藏核心引擎的复杂性
3. 通过使用Joone提供的GUI编辑器（单击此处查看使用编辑器构建的XOR问题）

资源