2021-9-16对CMALE代码的理解

项目场景：

应用主动学习的多标签分类算法

---

代码总体结构:

主要分为两部分：传统ANN和ParallelAnn
传统ANN对每个实例的特征进行输入，经历几层后，开始实行$l$个并行的ANN，每一个并行的part输出层都为两个节点，分别表示有还是没有这个标签。

代码分析：

FullConnectAnn类：说明了在ANN网络中输入节点数，有几个隐藏层，隐藏层节点数，以及最终输出节点数（即类别）。规定了epoch大小，定义了train，forward，backPropagation；这个类就是实现了普通的全连接。

FullConnectAnnLayer类：说明了在整个ANN网络中某一层怎么工作的，FullConnectAnnLayer方法说明了一次的输入与输出等信息，构建该层的权重矩阵，weights矩阵。forward方法，将每个节点与weight矩阵对应的值相乘得到新的值进行激活可以得到下一个节点的值。getLastLayerErrors方法通过激活后的输出与本来标签对比得到每个节点的误差值。
backPropagation方法，通过getLastLayerErrors方法得到的值进行输入，然后更新权重。

Activator类主要包括activate和derive方法。作用是在每一层计算下一层时用于激活，从线性变换到非线性变换。derive是反馈机制，从后往前根据每个节点的预测误差更新权重。

GeneralAnnLayer类：存放了一些都要用的方法，后面写两个不同的ANN时，继承就可以不用再来写一遍。

ParallelAnnLayer类：将每一层的传递，变成每个part的每一层传递，其余与之前FullAnn一致。（这里$ijk$的关系分别对应什么要理解清楚，不然代码容易出现混乱）
for (int i = 0; i < numParts; i++) {
for (int j = 0; j < numInputEachPart + 1; j++) {
for (int k = 0; k < numOutputEachPart; k++) {$\cdots$}
}
}
i表示第几个parts,j表示每个parts中第几个输入节点，k表示parts中第几个输出节点。

MultiLabelAnn类：把FullConnectAnn和ParallelAnn整合，放在一起实现多标签上的应用。