deeplearning4j~实现简单模型训练和测试
DeepLearning4j (DL4J) 是一个开源的深度学习库，专为 Java 和 Scala 设计。它可以用于构建、训练和部署深度学习模型。以下是关于如何使用 DL4J 的基本指南以及一个简单的模型训练示例。本例中使用了MNIST数据集，MNIST（modified national institute of standard and technology）数据集是由Yann LeCun及其同事于1994年创建一个大型手写数字数据库（包含0~9十个数字）。MNIST数据集的原始数据来源于美国国家标准和技术研究院（national institute of standard and technology）的两个数据集：special database 1和special database 3。它们分别由NIST的员工和美国高中生手写的0-9的数字组成。原始的这两个数据集由128×128像素的黑白图像组成。LeCun等人将其进行归一化和尺寸调整后得到的是28×28的灰度图像。
DeepLearning4j 使用指南
安装与配置
[*]环境要求
[*]Java Development Kit (JDK) 8 或以上版本
[*]Maven（推荐）或 Gradle 用于项目管理
[*]创建 Maven 项目
在你的 IDE 中创建一个新的 Maven 项目，并在 pom.xml 文件中添加以下依赖：
<dependencies> <!-- DL4J Core --> <dependency> <groupId>org.deeplearning4j</groupId> <artifactId>deeplearning4j-core</artifactId> <version>1.0.0-M1.1</version> </dependency> <!-- ND4J (Numpy for Java) --> <dependency> <groupId>org.nd4j</groupId> <artifactId>nd4j-native-platform</artifactId> <version>1.0.0-M1.1</version> </dependency> <!-- DataVec for data preprocessing --> <dependency> <groupId>org.datavec</groupId> <artifactId>datavec-api</artifactId> <version>1.0.0-M1.1</version> </dependency></dependencies>
[*]更新 Maven 依赖
确保你的 IDE 更新了 Maven 依赖，下载所需的库。
简单的模型训练
下面是一个使用 DL4J 训练简单神经网络的示例，目标是对手写数字进行分类（MNIST 数据集）。
代码示例
import org.deeplearning4j.datasets.iterator.impl.MnistDataSetIterator;import org.deeplearning4j.nn.conf.MultiLayerConfiguration;import org.deeplearning4j.nn.conf.NeuralNetConfiguration;import org.deeplearning4j.nn.multilayer.MultiLayerNetwork;import org.deeplearning4j.optimize.listeners.ScoreIterationListener;import org.nd4j.linalg.activations.Activation;import org.nd4j.linalg.dataset.api.iterator.DataSetIterator;import org.nd4j.linalg.learning.config.Adam;import org.nd4j.linalg.lossfunctions.LossFunctions;public class MnistExample { public static void main(String[] args) throws Exception { // 加载 MNIST 数据集 DataSetIterator mnistTrain = new MnistDataSetIterator(128, true, 12345); // 配置神经网络 MultiLayerConfiguration conf = new NeuralNetConfiguration.Builder() .seed(123) .updater(new Adam(0.001)) .list() .layer(0, new DenseLayer.Builder().nIn(784).nOut(256) .activation(Activation.RELU) .build()) .layer(1, new OutputLayer.Builder(LossFunctions.LossFunction.NEGATIVELOGLIKELIHOOD) .activation(Activation.SOFTMAX) .nIn(256).nOut(10).build()) .build(); // 创建并初始化网络 MultiLayerNetwork model = new MultiLayerNetwork(conf); model.init(); model.setListeners(new ScoreIterationListener(100));// 每100次迭代输出一次分数 // 训练模型 for (int i = 0; i < 10; i++) { // 训练10个epoch model.fit(mnistTrain); } System.out.println("训练完成！"); // 加载 MNIST 测试数据集 DataSetIterator mnistTest = new MnistDataSetIterator(128, false, 12345); // 评估模型 double accuracy = model.evaluate(mnistTest).accuracy(); System.out.println("模型准确率: " + accuracy); // 保存模型到文件 File modelFile = new File("mnist_model.zip"); ModelSerializer.writeModel(model, modelFile, true); }}代码说明
[*]加载数据集：使用 MnistDataSetIterator 加载 MNIST 数据集。
[*]配置神经网络：
[*]使用 NeuralNetConfiguration.Builder 构建神经网络配置。
[*]添加输入层（DenseLayer）和输出层（OutputLayer）。
[*]创建和初始化模型：使用 MultiLayerNetwork 创建模型并初始化。
[*]训练模型：通过循环调用 fit() 方法训练模型。
运行示例
确保你的环境已正确设置，然后运行上述代码。模型将在 MNIST 数据集上进行训练，训练完成后会输出“训练完成！”的信息。
模型评估
在训练完模型后，通常需要对其进行评估，以了解模型在未见数据上的表现。你可以使用测试集来评估模型的准确性和其他性能指标。
保存与加载模型
训练完成后，你可能希望保存模型以便以后使用。DL4J 提供了简单的方法来保存和加载模型。
调整与优化模型
根据评估结果，你可能需要调整模型的超参数或架构。可以尝试以下方法：
[*]增加层数或节点数：增加模型的复杂性。
[*]改变学习率：试验不同的学习率以找到最佳值。
[*]使用不同的激活函数：例如，尝试 LeakyReLU 或 ELU。
[*]正则化：添加 Dropout 层或 L2 正则化以防止过拟合。
部署模型
如果你打算将模型应用于生产环境，可以考虑将其部署为服务。可以使用以下方式之一：
[*]REST API：将模型包装为 RESTful 服务，方便客户端调用。
[*]嵌入式应用：将模型嵌入到 Java 应用程序中，直接进行预测。
模型的测试
使用 Java 和 DeepLearning4j 来训练自己的手写数字图像（例如 0 到 9 的标准图像）是一个很好的项目。下面是一个简单的步骤指南，帮助你实现这个目标。
步骤概述
[*]准备数据：将你的数字图像准备为合适的格式。
[*]创建和配置模型：使用 DeepLearning4j 创建神经网络模型。
[*]训练模型：使用你的图像数据训练模型。
[*]评估和测试模型：验证模型的性能。
1. 准备数据
首先，你需要将你的 0-9 数字图像准备好。假设你有 10 张图像，每张图像都是 28x28 像素的灰度图像，并且它们存储在本地文件系统中。
模型测试的步骤
步骤 1: 使用 MNIST 数据集训练模型
[*]加载数据集：使用 MnistDataSetIterator 加载 MNIST 数据集。
[*]构建模型：根据你的需求，构建一个适合的神经网络模型。
[*]训练模型：使用 MNIST 数据集对模型进行训练。
[*]保存模型：将训练好的模型保存到文件中（例如，保存为 .zip 文件）。
步骤 2: 准备手写数字图片
[*]手写数字：自己手写一个数字 1，并拍照或扫描成图片。
[*]预处理图片：
[*]将图片转换为灰度图像。
[*]调整图片大小为 28x28 像素（MNIST 数据集中的标准尺寸）。
[*]对图像进行归一化处理（通常将像素值缩放到 范围内）。
步骤 3: 比较手写数字与 MNIST 数据集
[*]加载保存的模型：从 zip 文件中加载之前训练好的模型。
[*]预测手写数字：将预处理后的手写数字图片输入到模型中进行预测。
[*]输出结果：模型将输出手写数字的预测结果。你可以将这个结果与 MNIST 数据集中相应的标签进行比较。
注意事项
[*]数据预处理：确保手写数字的预处理方式与训练时一致，包括图像大小、颜色通道和归一化。
[*]模型评估：在比较之前，可以先在测试集上评估模型的性能，以确保其准确性。
[*]可视化结果：可以通过可视化工具（如 matplotlib）展示手写数字及其预测结果，以便更好地理解模型的表现。
示例代码
以下是一个简单的示例代码框架，展示了如何实现这些步骤
/** * @author lind * @date 2025/1/7 14:27 * @since 1.0.0 */public class MnistUtils { /** * 将图像转换为灰度图像 * * @param original * @return */ private static BufferedImage convertToGrayscale(BufferedImage original) { BufferedImage grayImage = new BufferedImage(original.getWidth(), original.getHeight(), BufferedImage.TYPE_BYTE_GRAY); Graphics g = grayImage.getGraphics(); g.drawImage(original, 0, 0, null); g.dispose(); return grayImage; } /** * 调整图像大小 * * @param original * @param width * @param height * @return */ private static BufferedImage resizeImage(BufferedImage original, int width, int height) { Image scaledImage = original.getScaledInstance(width, height, Image.SCALE_SMOOTH); BufferedImage resizedImage = new BufferedImage(width, height, BufferedImage.TYPE_BYTE_GRAY); Graphics2D g2d = resizedImage.createGraphics(); g2d.drawImage(scaledImage, 0, 0, null); g2d.dispose(); return resizedImage; } /** * 加载图像 * * @param fileName * @return */ public static INDArray loadGrayImg(String fileName) { try { // 1. 加载图片 BufferedImage originalImage = ImageIO.read(new File(fileName)); // 2. 转换为灰度图像 BufferedImage grayImage = convertToGrayscale(originalImage); // 3. 调整大小为 28x28 像素 BufferedImage resizedImage = resizeImage(grayImage, 28, 28); // 4. 进行归一化处理 return normalizeImage(resizedImage); } catch (IOException e) { e.printStackTrace(); } return null; } /** * 对图像进行归一化处理并生成 INDArray * * @param image * @return */ private static INDArray normalizeImage(BufferedImage image) { int width = image.getWidth(); int height = image.getHeight(); double[] normalizedData = new double; // 创建一维数组 for (int y = 0; y < height; y++) { for (int x = 0; x < width; x++) { // 获取灰度值（0-255） int grayValue = image.getRGB(x, y) & 0xFF; // 只取灰度部分 // 归一化到 范围 normalizedData = grayValue / 255.0; // 填充一维数组 } } // 将一维数组转换为 INDArray，并添加批次维度 INDArray indArray = Nd4j.create(normalizedData).reshape(1, 784); // reshape to return indArray; }}
public static void main(String[] args) throws IOException { // 加载已训练的模型 MultiLayerNetwork model = MultiLayerNetwork.load(new File("E:\\github\\lind-deeplearning4j\\mnist_model.zip"), true); // 测试图像路径 String testImagePath = "d:\\dlj4\\img\\"; // 假设你有10个测试图像，命名为 0.png 到 9.png，当我从MNIST数据集网站下载9张图片后，这个大模型确实可以给我识别出来 for (int i = 0; i <= 3; i++) { String fileName = testImagePath + i + ".png"; System.out.println("fileName=" + fileName); INDArray testImage = loadGrayImg(fileName); INDArray output = model.output(testImage); // 进行预测 // 获取预测结果 int predictedClass = Nd4j.argMax(output, 1).getInt(0); System.out.println("测试图像 " + i + " 的预测结果: " + predictedClass); } }模型测试结果，它会根据0-3的图片，将图片上面的数字分析出来，这个事实上是根据我们训练的MINIST数据集得到的结果
页:
[1]