LSTM java 实现

时间  2019-11-12
标签 lstm java 实现 栏目 Java 繁體版
原文   原文链接

因为实验室事情缘故，须要将Python写的神经网络转成Java版本的，可是python中的numpy等啥包也不知道在Java里面对应的是什么工具，因此索性直接寻找一个现成可用的Java神经网络框架，因而就找到了JOONE，JOONE是一个神经网络的开源框架，使用的是BP算法进行迭代计算参数，使用起来比较方便也比较实用，下面介绍一下JOONE的一些使用方法。java

 

JOONE须要使用一些外部的依赖包，这在官方网站上有，也能够在这里下载。将所需的包引入工程以后，就能够进行编码实现了。python

 

首先看下完整的程序，这个是上面那个超连接给出的程序，应该是官方给出的一个示例吧，由于好多文章都用这个，这实际上是神经网络训练一个异或计算器：算法

 

[java]  view plain  copy
 
  1. import org.joone.engine.*;  
  2. import org.joone.engine.learning.*;  
  3. import org.joone.io.*;  
  4. import org.joone.net.*;  
  5.   
  6.   
  7. /* 
  8.  *  
  9.  * JOONE实现 
  10.  *  
  11.  * */  
  12. public class XOR_using_NeuralNet implements NeuralNetListener  
  13. {  
  14.     private NeuralNet nnet = null;  
  15.     private MemoryInputSynapse inputSynapse, desiredOutputSynapse;  
  16.     LinearLayer input;  
  17.     SigmoidLayer hidden, output;  
  18.     boolean singleThreadMode = true;  
  19.   
  20.     // XOR input  
  21.     private double[][] inputArray = new double[][]  
  22.     {  
  23.     { 0.0, 0.0 },  
  24.     { 0.0, 1.0 },  
  25.     { 1.0, 0.0 },  
  26.     { 1.0, 1.0 } };  
  27.   
  28.     // XOR desired output  
  29.     private double[][] desiredOutputArray = new double[][]  
  30.     {  
  31.     { 0.0 },  
  32.     { 1.0 },  
  33.     { 1.0 },  
  34.     { 0.0 } };  
  35.   
  36.     /** 
  37.      * @param args 
  38.      *            the command line arguments 
  39.      */  
  40.     public static void main(String args[])  
  41.     {  
  42.         XOR_using_NeuralNet xor = new XOR_using_NeuralNet();  
  43.   
  44.         xor.initNeuralNet();  
  45.         xor.train();  
  46.         xor.interrogate();  
  47.     }  
  48.   
  49.     /** 
  50.      * Method declaration 
  51.      */  
  52.     public void train()  
  53.     {  
  54.   
  55.         // set the inputs  
  56.         inputSynapse.setInputArray(inputArray);  
  57.         inputSynapse.setAdvancedColumnSelector(" 1,2 ");  
  58.         // set the desired outputs  
  59.         desiredOutputSynapse.setInputArray(desiredOutputArray);  
  60.         desiredOutputSynapse.setAdvancedColumnSelector(" 1 ");  
  61.   
  62.         // get the monitor object to train or feed forward  
  63.         Monitor monitor = nnet.getMonitor();  
  64.   
  65.         // set the monitor parameters  
  66.         monitor.setLearningRate(0.8);  
  67.         monitor.setMomentum(0.3);  
  68.         monitor.setTrainingPatterns(inputArray.length);  
  69.         monitor.setTotCicles(5000);  
  70.         monitor.setLearning(true);  
  71.   
  72.         long initms = System.currentTimeMillis();  
  73.         // Run the network in single-thread, synchronized mode  
  74.         nnet.getMonitor().setSingleThreadMode(singleThreadMode);  
  75.         nnet.go(true);  
  76.         System.out.println(" Total time=  "  
  77.                 + (System.currentTimeMillis() - initms) + "  ms ");  
  78.     }  
  79.   
  80.     private void interrogate()  
  81.     {  
  82.   
  83.         double[][] inputArray = new double[][]  
  84.         {  
  85.         { 1.0, 1.0 } };  
  86.         // set the inputs  
  87.         inputSynapse.setInputArray(inputArray);  
  88.         inputSynapse.setAdvancedColumnSelector(" 1,2 ");  
  89.         Monitor monitor = nnet.getMonitor();  
  90.         monitor.setTrainingPatterns(4);  
  91.         monitor.setTotCicles(1);  
  92.         monitor.setLearning(false);  
  93.         MemoryOutputSynapse memOut = new MemoryOutputSynapse();  
  94.         // set the output synapse to write the output of the net  
  95.   
  96.         if (nnet != null)  
  97.         {  
  98.             nnet.addOutputSynapse(memOut);  
  99.             System.out.println(nnet.check());  
  100.             nnet.getMonitor().setSingleThreadMode(singleThreadMode);  
  101.             nnet.go();  
  102.   
  103.             for (int i = 0; i < 4; i++)  
  104.             {  
  105.                 double[] pattern = memOut.getNextPattern();  
  106.                 System.out.println(" Output pattern # " + (i + 1) + " = "  
  107.                         + pattern[0]);  
  108.             }  
  109.             System.out.println(" Interrogating Finished ");  
  110.         }  
  111.     }  
  112.   
  113.     /** 
  114.      * Method declaration 
  115.      */  
  116.     protected void initNeuralNet()  
  117.     {  
  118.   
  119.         // First create the three layers  
  120.         input = new LinearLayer();  
  121.         hidden = new SigmoidLayer();  
  122.         output = new SigmoidLayer();  
  123.   
  124.         // set the dimensions of the layers  
  125.         input.setRows(2);  
  126.         hidden.setRows(3);  
  127.         output.setRows(1);  
  128.   
  129.         input.setLayerName(" L.input ");  
  130.         hidden.setLayerName(" L.hidden ");  
  131.         output.setLayerName(" L.output ");  
  132.   
  133.         // Now create the two Synapses  
  134.         FullSynapse synapse_IH = new FullSynapse(); /* input -> hidden conn. */  
  135.         FullSynapse synapse_HO = new FullSynapse(); /* hidden -> output conn. */  
  136.   
  137.         // Connect the input layer whit the hidden layer  
  138.         input.addOutputSynapse(synapse_IH);  
  139.         hidden.addInputSynapse(synapse_IH);  
  140.   
  141.         // Connect the hidden layer whit the output layer  
  142.         hidden.addOutputSynapse(synapse_HO);  
  143.         output.addInputSynapse(synapse_HO);  
  144.   
  145.         // the input to the neural net  
  146.         inputSynapse = new MemoryInputSynapse();  
  147.   
  148.         input.addInputSynapse(inputSynapse);  
  149.   
  150.         // The Trainer and its desired output  
  151.         desiredOutputSynapse = new MemoryInputSynapse();  
  152.   
  153.         TeachingSynapse trainer = new TeachingSynapse();  
  154.   
  155.         trainer.setDesired(desiredOutputSynapse);  
  156.   
  157.         // Now we add this structure to a NeuralNet object  
  158.         nnet = new NeuralNet();  
  159.   
  160.         nnet.addLayer(input, NeuralNet.INPUT_LAYER);  
  161.         nnet.addLayer(hidden, NeuralNet.HIDDEN_LAYER);  
  162.         nnet.addLayer(output, NeuralNet.OUTPUT_LAYER);  
  163.         nnet.setTeacher(trainer);  
  164.         output.addOutputSynapse(trainer);  
  165.         nnet.addNeuralNetListener(this);  
  166.     }  
  167.   
  168.     public void cicleTerminated(NeuralNetEvent e)  
  169.     {  
  170.     }  
  171.   
  172.     public void errorChanged(NeuralNetEvent e)  
  173.     {  
  174.         Monitor mon = (Monitor) e.getSource();  
  175.         if (mon.getCurrentCicle() % 100 == 0)  
  176.             System.out.println(" Epoch:  "  
  177.                     + (mon.getTotCicles() - mon.getCurrentCicle()) + "  RMSE: "  
  178.                     + mon.getGlobalError());  
  179.     }  
  180.   
  181.     public void netStarted(NeuralNetEvent e)  
  182.     {  
  183.         Monitor mon = (Monitor) e.getSource();  
  184.         System.out.print(" Network started for  ");  
  185.         if (mon.isLearning())  
  186.             System.out.println(" training. ");  
  187.         else  
  188.             System.out.println(" interrogation. ");  
  189.     }  
  190.   
  191.     public void netStopped(NeuralNetEvent e)  
  192.     {  
  193.         Monitor mon = (Monitor) e.getSource();  
  194.         System.out.println(" Network stopped. Last RMSE= "  
  195.                 + mon.getGlobalError());  
  196.     }  
  197.   
  198.     public void netStoppedError(NeuralNetEvent e, String error)  
  199.     {  
  200.         System.out.println(" Network stopped due the following error:  "  
  201.                 + error);  
  202.     }  
  203.   
  204. }  

 

 

如今我会逐步解释上面的程序。数组

 【1】 从main方法开始提及，首先第一步新建一个对象：网络

[java]  view plain  copy
 
  1. XOR_using_NeuralNet xor = new XOR_using_NeuralNet();  

【2】而后初始化神经网络：数据结构

 

[java]  view plain  copy
 
  1. xor.initNeuralNet();  

初始化神经网络的方法中：多线程

[java]  view plain  copy
 
  1. // First create the three layers  
  2.         input = new LinearLayer();  
  3.         hidden = new SigmoidLayer();  
  4.         output = new SigmoidLayer();  
  5.   
  6.         // set the dimensions of the layers  
  7.         input.setRows(2);  
  8.         hidden.setRows(3);  
  9.         output.setRows(1);  
  10.   
  11.         input.setLayerName(" L.input ");  
  12.         hidden.setLayerName(" L.hidden ");  
  13.         output.setLayerName(" L.output ");  

 

 

上面代码解释：框架

input=new LinearLayer()是新建一个输入层，由于神经网络的输入层并无训练参数，因此使用的是线性层；函数

hidden = new SigmoidLayer();这里是新建一个隐含层，使用sigmoid函数做为激励函数，固然你也能够选择其余的激励函数，如softmax激励函数工具

output则是新建一个输出层

以后的三行代码是创建输入层、隐含层、输出层的神经元个数，这里表示输入层为2个神经元，隐含层是3个神经元，输出层是1个神经元

最后的三行代码是给每一个输出层取一个名字。

[java]  view plain  copy
 
  1. // Now create the two Synapses  
  2.         FullSynapse synapse_IH = new FullSynapse(); /* input -> hidden conn. */  
  3.         FullSynapse synapse_HO = new FullSynapse(); /* hidden -> output conn. */  
  4.   
  5.         // Connect the input layer whit the hidden layer  
  6.         input.addOutputSynapse(synapse_IH);  
  7.         hidden.addInputSynapse(synapse_IH);  
  8.   
  9.         // Connect the hidden layer whit the output layer  
  10.         hidden.addOutputSynapse(synapse_HO);  
  11.         output.addInputSynapse(synapse_HO);  

 

上面代码解释：

 

上面代码的主要做用是将三个层链接起来，synapse_IH用来链接输入层和隐含层，synapse_HO用来链接隐含层和输出层

[java]  view plain  copy
 
  1. // the input to the neural net  
  2.         inputSynapse = new MemoryInputSynapse();  
  3.   
  4.         input.addInputSynapse(inputSynapse);  
  5.   
  6.         // The Trainer and its desired output  
  7.         desiredOutputSynapse = new MemoryInputSynapse();  
  8.   
  9.         TeachingSynapse trainer = new TeachingSynapse();  
  10.   
  11.         trainer.setDesired(desiredOutputSynapse);  

 

上面代码解释： 

 

上面的代码是在训练的时候指定输入层的数据和目的输出的数据，

 inputSynapse = new MemoryInputSynapse();这里指的是使用了从内存中输入数据的方法，指的是输入层输入数据，固然还有从文件输入的方法，这点在文章后面再谈。同理，desiredOutputSynapse = new MemoryInputSynapse();也是从内存中输入数据，指的是从输入层应该输出的数据

[java]  view plain  copy
 
  1. // Now we add this structure to a NeuralNet object  
  2.         nnet = new NeuralNet();  
  3.   
  4.         nnet.addLayer(input, NeuralNet.INPUT_LAYER);  
  5.         nnet.addLayer(hidden, NeuralNet.HIDDEN_LAYER);  
  6.         nnet.addLayer(output, NeuralNet.OUTPUT_LAYER);  
  7.         nnet.setTeacher(trainer);  
  8.         output.addOutputSynapse(trainer);  
  9.         nnet.addNeuralNetListener(this);  

上面代码解释：

 

这段代码指的是将以前初始化的构件链接成一个神经网络，NeuralNet是JOONE提供的类，主要是链接各个神经层，最后一个nnet.addNeuralNetListener(this);这个做用是对神经网络的训练过程进行监听，由于这个类实现了NeuralNetListener这个接口，这个接口有一些方法，能够实现观察神经网络训练过程，有助于参数调整。

【3】而后咱们来看一下train这个方法：

[java]  view plain  copy
 
  1. inputSynapse.setInputArray(inputArray);  
  2.         inputSynapse.setAdvancedColumnSelector(" 1,2 ");  
  3.         // set the desired outputs  
  4.         desiredOutputSynapse.setInputArray(desiredOutputArray);  
  5.         desiredOutputSynapse.setAdvancedColumnSelector(" 1 ");  

 

上面代码解释：

 

inputSynapse.setInputArray(inputArray);这个方法是初始化输入层数据，也就是指定输入层数据的内容，inputArray是程序中给定的二维数组，这也就是为何以前初始化神经网络的时候使用的是MemoryInputSynapse，表示从内存中读取数据

inputSynapse.setAdvancedColumnSelector(" 1,2 ");这个表示的是输入层数据使用的是inputArray的前两列数据。

desiredOutputSynapse这个也同理

[java]  view plain  copy
 
  1. Monitor monitor = nnet.getMonitor();  
  2.   
  3.         // set the monitor parameters  
  4.         monitor.setLearningRate(0.8);  
  5.         monitor.setMomentum(0.3);  
  6.         monitor.setTrainingPatterns(inputArray.length);  
  7.         monitor.setTotCicles(5000);  
  8.         <span style="line-height: 1.5;">monitor.setLearning(true);  

 上面代码解释：

这个monitor类也是JOONE框架提供的，主要是用来调节神经网络的参数，monitor.setLearningRate(0.8);是用来设置神经网络训练的步长参数，步长越大，神经网络梯度降低的速度越快，monitor.setTrainingPatterns(inputArray.length);这个是设置神经网络的输入层的训练数据大小size，这里使用的是数组的长度；monitor.setTotCicles(5000);这个指的是设置迭代数目；monitor.setLearning(true);这个true表示是在训练过程。

[java]  view plain  copy
 
  1. nnet.getMonitor().setSingleThreadMode(singleThreadMode);  
  2.         nnet.go(true);  

上面代码解释：

 

nnet.getMonitor().setSingleThreadMode(singleThreadMode);这个指的是是否是使用多线程，可是我不太清楚这里的多线程指的是什么意思

nnet.go(true)表示的是开始训练。

【4】最后来看一下interrogate方法

[java]  view plain  copy
 
  1. double[][] inputArray = new double[][]  
  2.         {  
  3.         { 1.0, 1.0 } };  
  4.         // set the inputs  
  5.         inputSynapse.setInputArray(inputArray);  
  6.         inputSynapse.setAdvancedColumnSelector(" 1,2 ");  
  7.         Monitor monitor = nnet.getMonitor();  
  8.         monitor.setTrainingPatterns(4);  
  9.         monitor.setTotCicles(1);  
  10.         monitor.setLearning(false);  
  11.         MemoryOutputSynapse memOut = new MemoryOutputSynapse();  
  12.         // set the output synapse to write the output of the net  
  13.   
  14.         if (nnet != null)  
  15.         {  
  16.             nnet.addOutputSynapse(memOut);  
  17.             System.out.println(nnet.check());  
  18.             nnet.getMonitor().setSingleThreadMode(singleThreadMode);  
  19.             nnet.go();  
  20.   
  21.             for (int i = 0; i < 4; i++)  
  22.             {  
  23.                 double[] pattern = memOut.getNextPattern();  
  24.                 System.out.println(" Output pattern # " + (i + 1) + " = "  
  25.                         + pattern[0]);  
  26.             }  
  27.             System.out.println(" Interrogating Finished ");  
  28.         }  

 

这个方法至关于测试方法，这里的inputArray是测试数据， 注意这里须要设置monitor.setLearning(false);，由于这不是训练过程，并不须要学习，monitor.setTrainingPatterns(4);这个是指测试的数量，4表示有4个测试数据（虽然这里只有一个）。这里还给nnet添加了一个输出层数据对象，这个对象mmOut是初始测试结果，注意到以前咱们初始化神经网络的时候并无给输出层指定数据对象，由于那个时候咱们在训练，并且指定了trainer做为目的输出。

 

 

接下来就是输出结果数据了，pattern的个数和输出层的神经元个数同样大，这里输出层神经元的个数是1，因此pattern大小为1.

 

【5】咱们看一下测试结果：

 

[java]  view plain  copy
 
  1. Output pattern # 1 = 0.018303527517809233  

 

 

表示输出结果为0.01，根据sigmoid函数特性，咱们获得的输出是0，和预期结果一致。若是输出层神经元个数大于1，那么输出值将会有多个，由于输出层结果是0|1离散值，因此咱们取输出最大的那个神经元的输出值取为1，其余为0

 

 

 

【6】最后咱们来看一下神经网络训练过程当中的一些监听函数：

cicleTerminated：每一个循环结束后输出的信息

errorChanged：神经网络错误率变化时候输出的信息

netStarted：神经网络开始运行的时候输出的信息

netStopped：神经网络中止的时候输出的信息

 

【7】好了，JOONE基本上内容就是这些。还有一些额外东西须要说明：

 

1，从文件中读取数据构建神经网络

2.如何保存训练好的神经网络到文件夹中，只要测试的时候直接load到内存中就行，而不用每次都须要训练。

 

 

【8】先看第一个问题：

从文件中读取数据：

文件的格式：

0;0;0

1;0;1

1;1;0

0;1;1

 

中间使用分号隔开，使用方法以下，也就是把上文的MemoryInputSynapse换成FileInputSynapse便可。

[java]  view plain  copy
 
  1. fileInputSynapse = new FileInputSynapse();  
  2. input.addInputSynapse(fileInputSynapse);  
  3. fileDisireOutputSynapse = new FileInputSynapse();  
  4. TeachingSynapse trainer = new TeachingSynapse();  
  5. trainer.setDesired(fileDisireOutputSynapse);  

 咱们看下文件是如何输出数据的：

[java]  view plain  copy
 
  1. private File inputFile = new File(Constants.TRAIN_WORD_VEC_PATH);  
  2. fileInputSynapse.setInputFile(inputFile);  
  3. fileInputSynapse.setFirstCol(2);//使用文件的第2列到第3列做为输出层输入  
  4. fileInputSynapse.setLastCol(3);  

 

[java]  view plain  copy
 
  1. fileDisireOutputSynapse.setInputFile(inputFile);  
  2. fileDisireOutputSynapse.setFirstCol(1);//使用文件的第1列做为输出数据  
  3. fileDisireOutputSynapse.setLastCol(1);  

 

 其他的代码和上文的是同样的。

 

 

【9】而后看第二个问题：

如何保存神经网络

其实很简单，直接序列化nnet对象就好了，而后读取该对象就是java的反序列化，这个就很少作介绍了，比较简单。可是须要说明的是，保存神经网络的时机必定是在神经网络训练完毕后，可使用下面代码：

[java]  view plain  copy
 
    1. public void netStopped(NeuralNetEvent e) {  
    2.         Monitor mon = (Monitor) e.getSource();  
    3.         try {  
    4.             if (mon.isLearning()) {  
    5.                 saveModel(nnet); //序列化对象  
    6.             }  
    7.         } catch (IOException ee) {  
    8.             // TODO Auto-generated catch block  
    9.             ee.printStackTrace();  
    10.         }  
相关文章
相关标签/搜索
每日一句
    每一个你不满意的现在，都有一个你没有努力的曾经。
本站公众号
   欢迎关注本站公众号,获取更多信息
联系我们 最近搜索 最新文章 沪ICP备13005482号-10 MyBatis教程 SQL 教程 MySQL教程 Java 教程 Thymeleaf 教程 Hibernate教程 Spring教程 Redis教程