@@ -491,6 +491,8 @@ public class MAIN1 {
491491
492492线性随机神经网络相较于 线性神经网络训练模型 来说具有强大的兼容性和较好的性能，但是其牺牲了些精确度，线性随机神经网络模型的使用以及训练出来的模型从保存如下所示。
493493
494+ - 1.19 版本中的线性神经网络计算实现案例
495+
494496``` java
495497package zhao.algorithmMagic ;
496498
@@ -550,4 +552,90 @@ public class MAIN1 {
550552 ASModel . Utils . write(new File (" C:\\ Users\\ zhao\\ Desktop\\ fsDownload\\ MytModel.as"
551553 }
552554}
553- ```
555+ ```
556+
557+ - 1.20 版本中的图像分类模型训练案例。
558+
559+ ``` java
560+ package zhao.algorithmMagic ;
561+
562+ import zhao.algorithmMagic.core.model.* ;
563+ import zhao.algorithmMagic.core.model.dataSet.ASDataSet ;
564+ import zhao.algorithmMagic.operands.matrix.ColorMatrix ;
565+ import zhao.algorithmMagic.operands.matrix.DoubleMatrix ;
566+ import zhao.algorithmMagic.operands.matrix.block.DoubleMatrixSpace ;
567+ import zhao.algorithmMagic.operands.matrix.block.IntegerMatrixSpace ;
568+ import zhao.algorithmMagic.operands.table.FinalCell ;
569+ import zhao.algorithmMagic.operands.vector.DoubleVector ;
570+ import zhao.algorithmMagic.utils.ASMath ;
571+ import zhao.algorithmMagic.utils.dataContainer.KeyValue ;
572+
573+ import java.io.File ;
574+ import java.util.Arrays ;
575+
576+ public class MAIN1 {
577+
578+ public static void main (String [] args ) {
579+
580+ // 指定图尺寸
581+ int w = 91 , h = 87 ;
582+
583+ // 准备 CNN 神经网络模型
584+ SingleLayerCNNModel singleLayerCnnModel = ASModel . SINGLE_LAYER_CNN_MODEL
585+ // 设置学习率
586+ singleLayerCnnModel. setLearningRate(0.1f );
587+ // 设置训练次数
588+ singleLayerCnnModel. setLearnCount(200 );
589+ // 设置激活函数
590+ singleLayerCnnModel. setActivationFunction(ActivationFunction . LEAKY_RE_LU
591+ // 设置损失函数
592+ singleLayerCnnModel. setLossFunction(LossFunction . MAE
593+
594+ // 准备卷积核，目标为突出图形轮廓
595+ DoubleMatrix parse = DoubleMatrix . parse(
596+ new double []{- 1 , - 1 , - 1 },
597+ new double []{- 1 , 8 , - 1 },
598+ new double []{- 1 , - 1 , - 1 }
599+ );
600+ DoubleMatrixSpace core = DoubleMatrixSpace . parse(parse, parse, parse);
601+ // 设置 卷积核
602+ singleLayerCnnModel. setArg(SingleLayerCNNModel . KERNELnew FinalCell<> (core));
603+ // 设置 附加任务 池化 然后进行二值化操作 TODO 注意 如果需要模型的保存，请使用 Class 的方式进行设置，使用 lambda 将会导致模型无法反序列化
604+ // 如果不需要，此处可以不进行设置
605+ singleLayerCnnModel. setTransformation(
606+ new PoolBinaryTfTask (2 , 1 , true , 50 , 0x011001 , 0x010101 , ColorMatrix . _R_)
607+ );
608+
609+ // 获取到字母数据集
610+ ASDataSet load = ASDataSet . Load . LETTER. load(w, h);
611+ // 将目标数值与权重设置到网络
612+ singleLayerCnnModel. setWeight(load. getY_train(), load. getImageWeight());
613+
614+ // 准备训练时的附加任务 打印信息
615+ SingleLayerCNNModel . TaskConsumer taskConsumer = (loss, g, weight1) - > {
616+ System . out. println(" \n 损失函数 = " + loss);
617+ System . out. println(" 梯度数据 = " + Arrays . toString(g));
618+ };
619+
620+ // 训练出结果模型
621+ long start = System . currentTimeMillis();
622+ ClassificationModel<IntegerMatrixSpace > model = singleLayerCnnModel. function(taskConsumer, load. getX_train());
623+ System . out. println(" 训练模型完成，耗时：" + (System . currentTimeMillis() - start));
624+ // 保存模型
625+ ASModel . Utils . write(new File (" C:\\ Users\\ Liming\\ Desktop\\ fsDownload\\ MytModel.as"
626+
627+
628+ // 提供一个新图 开始进行测试
629+ IntegerMatrixSpace parse1 = IntegerMatrixSpace . parse(" C:\\ Users\\ Liming\\ Desktop\\ fsDownload\\ 字母5.jpg"
630+ // 放到模型中 获取到结果
631+ KeyValue<String [], DoubleVector []> function = model. function(new IntegerMatrixSpace []{parse1});
632+ // 提取结果向量
633+ DoubleVector [] value = function. getValue();
634+ // 由于被分类的图像对象只有一个，因此直接查看 0 索引的数据就好 这里是一个向量，其中每一个索引代表对应索引的类别得分值
635+ System . out. println(value[0 ]);
636+ // 查看向量中不同维度对应的类别
637+ System . out. println(Arrays . toString(function. getKey()));
638+ System . out. println(" 当前图像类别 = " + function. getKey()[ASMath . findMaxIndex(value[0 ]. toArray())]);
639+ }
640+ }
641+ ```
0 commit comments