欢迎访问我的GitHub

这里分类和汇总了欣宸的全部原创(含配套源码)：

本篇概览本文是《DL4J》实战的第二篇，前面做好了准备工作，接下来进入正式实战，本篇内容是经典的入门例子：鸢尾花分类下图是一朵鸢尾花，我们可以测量到它的四个特征：花瓣（petal）的宽和高，花萼（sepal）的 宽和高：鸢尾花有三种：Setosa、Versicolor、Virginica今天的实战是用前馈神经网络Feed-Forward Neural Network (FFNN)就行鸢尾花分类的模型训练和评估，在拿到150条鸢尾花的特征和分类结果后，我们先训练出模型，再评估模型的效果：源码下载本篇实战中的完整源码可在GitHub下载到，地址和链接信息如下表所示()：

名称

链接

备注

项目主页

该项目在GitHub上的主页

git仓库地址(https)

该项目源码的仓库地址，https协议

git仓库地址(ssh)

git@github.com:zq2599/blog_demos.git

该项目源码的仓库地址，ssh协议

这个git项目中有多个文件夹，《DL4J实战》系列的源码在dl4j-tutorials文件夹下，如下图红框所示：dl4j-tutorials文件夹下有多个子工程，本次实战代码在dl4j-tutorials目录下，如下图红框：编码在dl4j-tutorials工程下新建子工程classifier-iris，其pom.xml如下：

<?xml version="1.0" encoding="UTF-8"?><project xmlns=";xmlns:xsi=";xsi:schemaLocation=" ;><parent><artifactId>dlfj-tutorials</artifactId><groupId>com.bolingcavalry</groupId><version>1.0-SNAPSHOT</version></parent><modelVersion>4.0.0</modelVersion><artifactId>classifier-iris</artifactId><properties><maven.compiler.source>8</maven.compiler.source><maven.compiler.target>8</maven.compiler.target></properties><dependencies><dependency><groupId>com.bolingcavalry</groupId><artifactId>commons</artifactId><version>${project.version}</version></dependency><dependency><groupId>org.projectlombok</groupId><artifactId>lombok</artifactId></dependency><dependency><groupId>org.nd4j</groupId><artifactId>${nd4j.backend}</artifactId></dependency><dependency><groupId>ch.qos.logback</groupId><artifactId>logback-classic</artifactId></dependency></dependencies></project>

上述pom.xml有一处需要注意的地方，就是${nd4j.backend}参数的值，该值在决定了后端线性代数计算是用CPU还是GPU，本篇为了简化操作选择了CPU（因为个人的显卡不同，代码里无法统一），对应的配置就是nd4j-native；源码全部在Iris.java文件中，并且代码中已添加详细注释，就不再赘述了：

package com.bolingcavalry.classifier;import com.bolingcavalry.commons.utils.DownloaderUtility;import lombok.extern.slf4j.Slf4j;import org.datavec.api.records.reader.RecordReader;import org.datavec.api.records.reader.impl.csv.CSVRecordReader;import org.datavec.api.split.FileSplit;import org.deeplearning4j.datasets.datavec.RecordReaderDataSetIterator;import org.deeplearning4j.nn.conf.MultiLayerConfiguration;import org.deeplearning4j.nn.conf.NeuralNetConfiguration;import org.deeplearning4j.nn.conf.layers.DenseLayer;import org.deeplearning4j.nn.conf.layers.OutputLayer;import org.deeplearning4j.nn.multilayer.MultiLayerNetwork;import org.deeplearning4j.nn.weights.WeightInit;import org.deeplearning4j.optimize.listeners.ScoreIterationListener;import org.nd4j.evaluation.classification.Evaluation;import org.nd4j.linalg.activations.Activation;import org.nd4j.linalg.api.ndarray.INDArray;import org.nd4j.linalg.dataset.DataSet;import org.nd4j.linalg.dataset.SplitTestAndTrain;import org.nd4j.linalg.dataset.api.iterator.DataSetIterator;import org.nd4j.linalg.dataset.api.preprocessor.DataNormalization;import org.nd4j.linalg.dataset.api.preprocessor.NormalizerStandardize;import org.nd4j.linalg.learning.config.Sgd;import org.nd4j.linalg.lossfunctions.LossFunctions;import java.io.File;/*** @author will (zq2599@gmail.com)* @version 1.0* @description: 鸢尾花训练* @date 2021/6/13 17:30*/@SuppressWarnings("DuplicatedCode")@Slf4jpublic class Iris {public static void main(String[] args) throws Exception {//第一阶段：准备// 跳过的行数，因为可能是表头int numLinesToSkip = 0;// 分隔符char delimiter = ',';// CSV读取工具RecordReader recordReader = new CSVRecordReader(numLinesToSkip,delimiter);// 下载并解压后，得到文件的位置String dataPathLocal = DownloaderUtility.IRISDATA.Download();log.info("鸢尾花数据已下载并解压至 : {}", dataPathLocal);// 读取下载后的文件recordReader.initialize(new FileSplit(new File(dataPathLocal,"iris.txt")));// 每一行的内容大概是这样的：5.1,3.5,1.4,0.2,0// 一共五个字段，从零开始算的话，标签在第四个字段int labelIndex = 4;// 鸢尾花一共分为三类int numClasses = 3;// 一共150个样本int batchSize = 150; //Iris data set: 150 examples total. We are loading all of them into one DataSet (not recommended for large data sets)// 加载到数据集迭代器中DataSetIterator iterator = new RecordReaderDataSetIterator(recordReader,batchSize,labelIndex,numClasses);DataSet allData = iterator.next();// 洗牌（打乱顺序）allData.shuffle();// 设定比例，150个样本中，百分之六十五用于训练SplitTestAndTrain testAndTrain = allData.splitTestAndTrain(0.65); //Use 65% of data for training// 训练用的数据集DataSet trainingData = testAndTrain.getTrain();// 验证用的数据集DataSet testData = testAndTrain.getTest();// 指定归一化器：独立地将每个特征值（和可选的标签值）归一化为0平均值和1的标准差。DataNormalization normalizer = new NormalizerStandardize();// 先拟合normalizer.fit(trainingData);// 对训练集做归一化normalizer.transform(trainingData);// 对测试集做归一化normalizer.transform(testData);// 每个鸢尾花有四个特征final int numInputs = 4;// 共有三种鸢尾花int outputNum = 3;// 随机数种子long seed = 6;//第二阶段：训练log.info("开始配置...");MultiLayerConfiguration conf = new NeuralNetConfiguration.Builder().seed(seed).activation(Activation.TANH) // 激活函数选用标准的tanh(双曲正切).weightInit(WeightInit.XAVIER) // 权重初始化选用XAVIER：均值 0, 方差为 2.0/(fanIn + fanOut)的高斯分布.updater(new Sgd(0.1)) // 更新器，设置SGD学习速率调度器.l2(1e-4) // L2正则化配置.list() // 配置多层网络.layer(new DenseLayer.Builder().nIn(numInputs).nOut(3) // 隐藏层.build()).layer(new DenseLayer.Builder().nIn(3).nOut(3) // 隐藏层.build()).layer( new OutputLayer.Builder(LossFunctions.LossFunction.NEGATIVELOGLIKELIHOOD) // 损失函数：负对数似然.activation(Activation.SOFTMAX) // 输出层指定激活函数为：SOFTMAX.nIn(3).nOut(outputNum).build()).build();// 模型配置MultiLayerNetwork model = new MultiLayerNetwork(conf);// 初始化model.init();// 每一百次迭代打印一次分数（损失函数的值）model.setListeners(new ScoreIterationListener(100));long startTime = System.currentTimeMillis();log.info("开始训练");// 训练for(int i=0; i<1000; i++ ) {model.fit(trainingData);}log.info("训练完成，耗时[{}]ms", System.currentTimeMillis()-startTime);// 第三阶段：评估// 在测试集上评估模型Evaluation eval = new Evaluation(numClasses);INDArray output = model.output(testData.getFeatures());eval.eval(testData.getLabels(), output);log.info("评估结果如下\n" + eval.stats());}}

编码完成后，运行main方法，可见顺利完成训练并输出了评估结果，还有混淆矩阵用于辅助分析：至此，咱们的第一个实战就完成了，通过经典实例体验的DL4J训练和评估的常规步骤，对重要API也有了初步认识，接下来会继续实战，接触到更多的经典实例；欢迎关注头条号：程序员欣宸学习路上，你不孤单，欣宸原创一路相伴...