[专知-Java Deeplearning4j 深度学习教程 03] 使用多层神经网络分类 MNIST 数据集:图文-代码
【导读】主题链路知识是我们专知的核心功能之一，为用户提供AI领域系统性的知识学习服务，一站式学习人工智能的知识，包含人工智能（ 机器学习、自然语言处理、计算机视觉等）、大数据、编程语言、系统架构。使用请访问专知 进行主题搜索查看 - 桌面电脑访问http://www.zhuanzhi.ai, 手机端访问http://www.zhuanzhi.ai 或关注微信公众号后台回复" 专知"进入专知，搜索主题查看。继Pytorch教程后，我们推出面向Java程序员的深度学习教程DeepLearning4J。Deeplearning4j的案例和资料很少，官方的doc文件也非常简陋，基本上所有的类和函数的都没有解释。为此，我们推出来自中科院自动化所专知小组博士生Hujun与Sanglei创作的-分布式Java开源深度学习框架Deeplearning4j学习教程包括以下：
- 【专知-Java Deeplearning4j深度学习教程01】分布式Java开源深度学习框架DL4j安装使用: 图文+代码
- 【专知-Java Deeplearning4j深度学习教程02】用ND4J自己动手实现RBM: 图文+代码
- 【专知-Java Deeplearning4j深度学习教程03】使用多层神经网络分类MNIST数据集:图文+代码
- 【专知-Java Deeplearning4j深度学习教程04】使用CNN进行文本分类:图文+代码
- 【专知-Java Deeplearning4j深度学习教程05】无监督特征提取神器—AutoEncoder:图文+代码
- 【专知-Java Deeplearning4j深度学习教程06】用卷积神经网络CNN进行图像分类
MNIST数据集
MNIST由手写数字图片组成，包含0-9十种数字，常被用作测试机器学习算法性能的基准数据集。MNIST包含了一个有60000张图片的训练集和一个有10000张图片的测试集。深度学习在MNIST上可以达到99.7%的准确率。
Deeplearning4j中直接集成了MNIST数据集，例如可以直接用下面的代码加载训练集和测试集：
DataSetIterator mnistTrain = new MnistDataSetIterator(batchSize, true, rngSeed);
DataSetIterator mnistTest = new MnistDataSetIterator(batchSize, false, rngSeed);
DataSetIterator mnistTrain = new MnistDataSetIterator(batchSize, true, rngSeed);
DataSetIterator mnistTest = new MnistDataSetIterator(batchSize, false, rngSeed);
神经网络结构
本教程使用具有1个隐藏层的MLP作为网络的结构，使用RELU作为隐藏层的激活函数，使用SOFTMAX作为输出层的激活函数。
从图中可以看出，网络具有输入层、隐藏层和输出层一共3层，但在代码编写时，会将该网络看作由2个层组成（2次变换）：
-
Layer 0: 一个Dense Layer（全连接层），由输入层进行线性变换变为隐藏层，并使用RELU对变换结果进行激活。用公式表达形式为H= relu(XW_0 + b_0)，其中:
- X: 输入层，是形状为[batch_size, input_dim]的矩阵，矩阵的每行对应一个样本，每列对应一个特征（一个像素）
- H: 隐藏层的输出，是形状为[batch_size, hidden_dim]的矩阵，矩阵的每行对应一个样本隐藏层的输出
- relu: 使用RELU激活函数进行激活
- W_0: 形状为[input_dim, hidden_dim]的矩阵，是全连接层线性变换的参数
- b_0: 形状为[hidden_dim]的矩阵，是全连接层线性变换的参数（偏置）
-
Layer 1: 一个Dense Layer(全连接层)，由隐藏层进行线性变换为输出层，并使用SOFTMAX对变换结果进行激活。用公式表达形式为：OUTPUT = softmax(HW_1 + b_1)，其中：
- OUTPUT: 输出层，是形状为[batch_size, output_dim]的矩阵，矩阵的每行对应一个样本，每列对应样本属于某类的概率。例如该例子中第0列表示输入手写数字为1的概率。
- softmax: 使用SOFTMAX激活函数进行激活
- W_1: 形状为[hidden_dim, output_dim]的矩阵，是全连接层线性变换的参数
- b_1: 形状为[output_dim]的矩阵，是全连接层线性变换的参数（偏置）
神经网络的训练过程，即神经网络参数的调整过程。待参数能够很好地预测测试集中样本的类别（label），神经网络就训练成功了。
代码
import org.nd4j.linalg.activations.Activation;
import org.nd4j.linalg.dataset.api.iterator.DataSetIterator;
import org.deeplearning4j.datasets.iterator.impl.MnistDataSetIterator;
import org.deeplearning4j.eval.Evaluation;
import org.deeplearning4j.nn.api.OptimizationAlgorithm;
import org.deeplearning4j.nn.conf.MultiLayerConfiguration;
import org.deeplearning4j.nn.conf.NeuralNetConfiguration;
import org.deeplearning4j.nn.conf.Updater;
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.linalg.api.ndarray.INDArray;
import org.nd4j.linalg.dataset.DataSet;
import org.nd4j.linalg.lossfunctions.LossFunctions.LossFunction;
import org.slf4j.Logger;import org.slf4j.LoggerFactory;/\*\*
\**
本示例使用Deeplearning4j构建了一个多层感知器（MLP）来进行手写数字（MNIST）的识别
该示例中的神经网络只有1个隐藏层
输入层的维度是numRows\*numColumns（图像像素行数\*图像像素列数），即每个手写数字图像的像素数量（28\*28）
隐藏层的大小为1000，使用RELU作为激活函数
输出层为SOFTMAX层，用于表示输入图像属于每个分类的概率（概率总和为1）
\**
public class MLPMnistSingleLayerExample {
private static Logger log =
LoggerFactory.getLogger(MLPMnistSingleLayerExample.class);
public static void main(String[] args) throws Exception {
//number of rows and columns in the input pictures
final int numRows = 28;
final int numColumns = 28;
int outputNum = 10; // 手写字符类别的数量
int batchSize = 128; //
batch大小，一个batch中的输入使用相同的神经网络参数
int rngSeed = 123; //
设置一个随机种子，使得每次跑程序获得的随机值相同
int numEpochs = 15; // 训练时每扫描一遍数据集算一个Epoch
//Deeplearning4j内置的MNIST数据集
DataSetIterator mnistTrain = new MnistDataSetIterator(batchSize,
true, rngSeed);
DataSetIterator mnistTest = new MnistDataSetIterator(batchSize,
false, rngSeed);
log.info("Build model....");
MultiLayerConfiguration conf = new NeuralNetConfiguration.Builder().seed(rngSeed)
// 为模型设置随机种子
// 使用随机梯度下降作为优化算法
.optimizationAlgo(OptimizationAlgorithm.STOCHASTIC_GRADIENT_DESCENT)
.iterations(1)
.learningRate(0.006) // 设置学习速率
.updater(Updater.NESTEROVS)
.regularization(true).l2(1e-4)
//设置L2正则系数，设置L2正则可以降低过拟合的程度
.list() //开始构建MLP网络（多层感知器）
.layer(0, new DenseLayer.Builder() //设置第一个Dense层
.nIn(numRows \* numColumns) //输入为28\*28
.nOut(1000) //输出为1000
.activation(Activation.RELU) //使用RELU激活
.weightInit(WeightInit.XAVIER) //设置初始化方法
.build())
.layer(1, new
OutputLayer.Builder(LossFunction.NEGATIVELOGLIKELIHOOD)
//设置第二个Dense层，OutputLayer也是Dense层
.nIn(1000) //输入为1000
.nOut(outputNum) //输出为10，即手写数字的类别数量
.activation(Activation.SOFTMAX) //使用SOFTMAX激活
.weightInit(WeightInit.XAVIER)
.build())
.pretrain(false).backprop(true) //进行反向传播，不进行预训练
.build();
MultiLayerNetwork model = new MultiLayerNetwork(conf);
model.init(); //每隔1个iteration就输出一次score
model.setListeners(new ScoreIterationListener(1));
log.info("Train model....");
for( int i=0; i\<numEpochs; i++ ){
model.fit(mnistTrain);
}
log.info("Evaluate model....");
Evaluation eval = new Evaluation(outputNum); //创建一个评价器
while(mnistTest.hasNext()){
DataSet next = mnistTest.next();
INDArray output = model.output(next.getFeatureMatrix());
//模型的预测结果
eval.eval(next.getLabels(), output);
//根据真实的结果和模型的预测结果对模型进行评价
}
log.info(eval.stats());
log.info("\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*Example
finished\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*");
}
}
运行代码，输出如下：
请继续关注“DeepLearning4j”教程。
完整系列搜索查看，请PC登录
对DeepLearning4j教程感兴趣的同学，欢迎进入我们的专知DeepLearning4j主题群一起交流、学习、讨论，扫一扫如下群二维码即可进入（先加微信小助手weixinhao: Rancho_Fang，注明Deeplearning4j）。
展开全文
微信扫码咨询专知VIP会员