深度学习-根据名字识别男女

最新推荐文章于 2025-07-29 03:41:11 发布

原创

最新推荐文章于 2025-07-29 03:41:11 发布 · 6k 阅读

3 ·

CC 4.0 BY-SA版权

博客探讨了如何利用深度学习模型根据人的名字来预测其性别，该案例具有实际应用潜力。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

这是一个非常有启发的例子，可以扩展到生产环境做一些模型！

public class PredictGenderTrain
{
    public String filePath;

    public static void main(String args[])
    {

        PredictGenderTrain dg = new PredictGenderTrain();//生成类实例，这种写法忘了叫什么了，故弄玄虚的感觉，谁知道告我一下，我喜欢主类里只有main函数的写法
        dg.filePath =  System.getProperty("user.dir") + "\\src\\main\\resources\\PredictGender\\Data";//找到数据路径
        dg.train();//调用train函数
    }

    /**
     * This function uses GenderRecordReader and passes it to RecordReaderDataSetIterator for further training.
     */
    public void train()
    {
        int seed = 123456;
        double learningRate = 0.01;
        int batchSize = 100;
        int nEpochs = 100;
        int numInputs = 0;
        int numOutputs = 0;
        int numHiddenNodes = 0;

        try(GenderRecordReader rr = new GenderRecordReader(new ArrayList<String>() {
 
 {add("M");add("F");}}))//这个try里面有小括号我也是头一次注意，括号里一般都是输入输出流，训练数据读取器作为临时变量，过后就会被自动回收，这里调用性别读取器类，后面会有这个类的详细解释
        {
            long st = System.currentTimeMillis();//打印当前时间
            System.out.println("Preprocessing start time : " + st);

            rr.initialize(new FileSplit(new File(this.filePath)));//初始化读取器

            long et = System.currentTimeMillis();//打印当前时间，处理时间
            System.out.println("Preprocessing end time : " + et);
            System.out.println("time taken to process data : " + (et-st) + " ms");

            numInputs = rr.maxLengthName * 5;  // multiplied by 5 as for each letter we use five binary digits like 00000//每个字符用5个二进制表示，输入大小就是最长名字的5倍
            numOutputs = 2;//输出大小为2
            numHiddenNodes = 2 * numInputs + numOutputs;//隐含层大小


            GenderRecordReader rr1 = new GenderRecordReader(new ArrayList<String>() {
 
 {add("M");add("F");}});//又搞了一个读取器

            DataSetIterator trainIter = new RecordReaderDataSetIterator(rr, batchSize, numInputs, 2);//训练迭代器
            System.out.println(trainIter);
            //System.exit(0);
            DataSetIterator testIter = new RecordReaderDataSetIterator(rr1, batchSize, numInputs, 2);//测试迭代器

            MultiLayerConfiguration conf = new NeuralNetConfiguration.Builder()//网络还是一样，假装自己是老司机
                .seed(seed)
                .biasInit(1)
                .regularization(true).l2(1e-4)
                .iterations(1)
                .optimizationAlgo(OptimizationAlgorithm.STOCHASTIC_GRADIENT_DESCENT)
                .learningRate(learningRate)
                .updater(Updater.NESTEROVS).momentum(0.9)//采用梯度修正的参数修正方法
                .list()
                .layer(0, new DenseLayer.Builder().nIn(numInputs).nOut(numHiddenNodes)
                    .weightInit(WeightInit.XAVIER)
                    .activation("relu")
                    .build())
                .layer(1, new DenseLayer.Builder().nIn(numHiddenNodes).nOut(numHiddenNodes)
                    .weightInit(WeightInit.XAVIER)
                    .activation("relu")
                    .build())
                .layer(2, new OutputLayer.Builder(LossFunctions.LossFunction.MSE)
                    .weightInit(WeightInit.XAVIER)
                    .activation("softmax")
                    .nIn(numHiddenNodes).nOut(numOutputs).build())
                .pretrain(false).backprop(true).build();

            MultiLayerNetwork model = new MultiLayerNetwork(conf);