@@ -14,7 +14,7 @@ import java.awt.*;
1414public class MAIN1 {
1515 public static void main (String [] args ) {
1616 // 获取一张图像的像素矩阵
17- ColorMatrix parse1 = ColorMatrix . parseGrayscale(" C:\\ Users\\ Liming\\ Desktop\\ fsdownload \\ test1.bmp"
17+ ColorMatrix parse1 = ColorMatrix . parseGrayscale(" C:\\ Users\\ Liming\\ Desktop\\ fsDownload \\ test1.bmp"
1818 // 将 parse1 进行二值化
1919 parse1. localBinary(ColorMatrix . _G_, 30 , 0 , 0xffffff , 1 );
2020 // 将 parse1 矩阵腐蚀，然后将腐蚀的结果获取到
@@ -42,7 +42,7 @@ import java.awt.*;
4242public class MAIN1 {
4343 public static void main (String [] args ) {
4444 // 获取一张图像的像素矩阵
45- ColorMatrix colors = ColorMatrix . parse(" C:\\ Users\\ Liming\\ Desktop\\ fsdownload \\ test1.bmp"
45+ ColorMatrix colors = ColorMatrix . parse(" C:\\ Users\\ Liming\\ Desktop\\ fsDownload \\ test1.bmp"
4646 // 将图像拷贝一份出来
4747 ColorMatrix parse1 = ColorMatrix . parse(colors. copyToNewArrays());
4848 // 将 parse1 进行二值化 // 请注意阈值
@@ -80,7 +80,7 @@ public class MAIN1 {
8080 ColorMatrix resImage1, parse1;
8181 {
8282 // 获取一张图像的像素矩阵
83- ColorMatrix colors = ColorMatrix . parse(" C:\\ Users\\ Liming\\ Desktop\\ fsdownload \\ test3.bmp"
83+ ColorMatrix colors = ColorMatrix . parse(" C:\\ Users\\ Liming\\ Desktop\\ fsDownload \\ test3.bmp"
8484 // 将图像拷贝一份出来
8585 parse1 = ColorMatrix . parse(colors. copyToNewArrays());
8686 // 将结果二值化
@@ -133,8 +133,8 @@ public class MAIN1 {
133133 public static void main (String [] args ) {
134134 ColorMatrix colorMatrix1, colorMatrix2;
135135 { // 将图像与样本读取进来
136- colorMatrix1 = ColorMatrix . parse(" C:\\ Users\\ zhao\\ Desktop\\ fsdownload \\ YB.bmp"
137- colorMatrix2 = ColorMatrix . parse(" C:\\ Users\\ zhao\\ Desktop\\ fsdownload \\ test22.jpg"
136+ colorMatrix1 = ColorMatrix . parse(" C:\\ Users\\ zhao\\ Desktop\\ fsDownload \\ YB.bmp"
137+ colorMatrix2 = ColorMatrix . parse(" C:\\ Users\\ zhao\\ Desktop\\ fsDownload \\ test22.jpg"
138138 ColorMatrix temp = ColorMatrix . parse(colorMatrix2. copyToNewArrays());
139139 // 开始二值化
140140 colorMatrix1. localBinary(ColorMatrix . _G_, 10 , 0xffffff , 0 , 1 );
@@ -177,10 +177,10 @@ import java.util.Map;
177177public class MAIN1 {
178178 public static void main (String [] args ) {
179179 ColorMatrix colorMatrix1, colorMatrix2;
180- {
180+ {
181181 // 将图像与样本读取进来
182- colorMatrix1 = ColorMatrix . parse(" C:\\ Users\\ zhao\\ Desktop\\ fsdownload \\ YB.bmp"
183- colorMatrix2 = ColorMatrix . parse(" C:\\ Users\\ zhao\\ Desktop\\ fsdownload \\ test22.jpg"
182+ colorMatrix1 = ColorMatrix . parse(" C:\\ Users\\ zhao\\ Desktop\\ fsDownload \\ YB.bmp"
183+ colorMatrix2 = ColorMatrix . parse(" C:\\ Users\\ zhao\\ Desktop\\ fsDownload \\ test22.jpg"
184184 ColorMatrix temp = ColorMatrix . parse(colorMatrix2. copyToNewArrays());
185185 // 开始二值化
186186 colorMatrix1. localBinary(ColorMatrix . _G_, 10 , 0xffffff , 0 , 1 );
@@ -388,7 +388,7 @@ import java.util.HashMap;
388388public class MAIN1 {
389389 public static void main (String [] args ) {
390390 // 被处理图像路径
391- String dataPath = " C:\\ Users\\ Liming\\ Desktop\\ fsdownload \\ 微信图片_33.jpg"
391+ String dataPath = " C:\\ Users\\ Liming\\ Desktop\\ fsDownload \\ 微信图片_33.jpg"
392392 ColorMatrix colorMatrix1 = ColorMatrix . parse(dataPath);
393393 colorMatrix1. show(" src"
394394 // 将矩阵变换 首先需要创建出不同模式中需要的配置信息 这里是反转和拉伸矩阵的配置
@@ -438,3 +438,116 @@ public class MAIN1 {
438438```
439439
440440## 机器学习类案例
441+
442+ ### 线性神经网络模型训练案例
443+
444+ 线性神经网络训练结果是一个数学模型，其能够在庞大是数据集中查找相关规律，返回的数学模型能够被保存下来。
445+
446+ ``` java
447+ package zhao.algorithmMagic ;
448+
449+ import zhao.algorithmMagic.core.model.* ;
450+ import zhao.algorithmMagic.operands.table.SingletonCell ;
451+ import zhao.algorithmMagic.operands.vector.DoubleVector ;
452+
453+ public class MAIN1 {
454+
455+ // 在 main 函数中进行模型的保存和读取以及使用
456+ public static void main (String [] args ) {
457+
458+ // 构建 X 数据
459+ DoubleVector [] X = {
460+ DoubleVector . parse(100 , 50 , 50 ),
461+ DoubleVector . parse(50 , 50 , 50 ),
462+ DoubleVector . parse(50 , 100 , 50 ),
463+ // 最后一行是初始权重数据
464+ DoubleVector . parse(20 , 18 , 18 )
465+ };
466+ // 构建 Y 数据
467+ double [] Y = {300 , 200 , 250 , 350 };
468+
469+ // 将 线性神经网络模型获取到
470+ LNeuralNetwork lNeuralNetwork = ASModel . L_NEURAL_NETWORK
471+ // 设置学习率
472+ lNeuralNetwork. setArg(LNeuralNetwork . LEARNING_RATESingletonCell . $(0.02 ));
473+ // 设置每一个数据样本的训练次数 为 1024
474+ lNeuralNetwork. setArg(LNeuralNetwork . LEARN_COUNTSingletonCell . $(1024 ));
475+ // 设置当前神经网络中神经元的激活函数
476+ lNeuralNetwork. setArg(LNeuralNetwork . PERCEPTRONSingletonCell . $(Perceptron . parse(ActivationFunction . RELU
477+ // 设置当前神经网络中的目标数值
478+ lNeuralNetwork. setArg(LNeuralNetwork . TARGETSingletonCell . $(Y ));
479+
480+ // 开始训练 在这里传递进需要被学习的数据 并获取到模型
481+ NumberModel numberModel = lNeuralNetwork. function(X );
482+ System . out. println(numberModel);
483+ // 这里直接调用模型 预测 x1 = 200 x2 = 100 x3 = 50 时候的结果 期望数值是 550
484+ Double function = numberModel. function(new Double []{200.0 , 100.0 , 50.0 });
485+ System . out. println(function);
486+ }
487+ }
488+ ```
489+
490+ ### 线性随机神经网络模型训练案例
491+
492+ 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。
493+
494+ ``` java
495+ package zhao.algorithmMagic ;
496+
497+ import zhao.algorithmMagic.core.model.* ;
498+ import zhao.algorithmMagic.operands.table.SingletonCell ;
499+ import zhao.algorithmMagic.operands.vector.DoubleVector ;
500+
501+ import java.io.File ;
502+ import java.util.Arrays ;
503+
504+ public class MAIN1 {
505+
506+ // 在 main 函数中进行模型的保存和读取以及使用
507+ public static void main (String [] args ) {
508+ // 获取到线性神经网络模型
509+ LNeuralNetwork lNeuralNetwork = ASModel . LS_NEURAL_NETWORK
510+ // 设置学习率 为 0.01
511+ lNeuralNetwork. setArg(LNeuralNetwork . LEARNING_RATESingletonCell . $(0.03 ));
512+ // 设置激活函数为 LEAKY_RE_LU
513+ lNeuralNetwork. setArg(LNeuralNetwork . PERCEPTRONSingletonCell . $(Perceptron . parse(ActivationFunction . LEAKY_RE_LU
514+ // 设置学习次数 为 600
515+ lNeuralNetwork. setArg(LNeuralNetwork . LEARN_COUNTSingletonCell . $(1000 ));
516+ // 设置目标数值
517+ lNeuralNetwork. setArg(
518+ LNeuralNetwork . TARGET
519+ // 假设这里是5组数据对应的结果
520+ SingletonCell . $(new double []{300 , 210 , 340 , 400 , 500 })
521+ );
522+ // 构建被学习的数据 由此数据推导结果 找到每一组数据中 3 个参数之间的数学模型
523+ DoubleVector X1 = DoubleVector . parse(100 , 50 , 50 );
524+ DoubleVector X2 = DoubleVector . parse(80 , 50 , 50 );
525+ DoubleVector X3 = DoubleVector . parse(120 , 50 , 50 );
526+ DoubleVector x4 = DoubleVector . parse(100 , 100 , 100 );
527+ DoubleVector x5 = DoubleVector . parse(150 , 100 , 100 );
528+ // 构建初始权重向量
529+ DoubleVector W = DoubleVector . parse(20 , 18 , 18 );
530+ // 实例化出附加 Task 任务对象
531+ LNeuralNetwork . TaskConsumer taskConsumer = (loss, g, weight) - > {
532+ // 在这里打印出每一次训练的信息
533+ System . out. println(" 损失函数 = " + loss);
534+ System . out. println(" 计算梯度 = " + g);
535+ System . out. println(" 权重参数 = " + Arrays . toString(weight) + ' \n '
536+ };
537+ // 训练出模型 TODO 在这里指定出每一次训练时的附加任务
538+ NumberModel model = lNeuralNetwork. function(taskConsumer, X1 , X2 , X3 , x4, x5, W );
539+ // TODO 接下来开始使用模型进行一些测试
540+ // 向模型中传递一些数值
541+ Double function1 = model. function(new Double []{100.0 , 50.0 , 50.0 });
542+ // 打印计算出来的结果
543+ System . out. println(function1);
544+ // 再一次传递一些数值
545+ Double function2 = model. function(new Double []{150.0 , 100.0 , 100.0 });
546+ // 打印计算出来的结果
547+ System . out. println(function2);
548+
549+ // TODO 确定模型可用，将模型保存
550+ ASModel . Utils . write(new File (" C:\\ Users\\ zhao\\ Desktop\\ fsDownload\\ MytModel.as"
551+ }
552+ }
553+ ```
0 commit comments