如何利用Java库学习神经网络

java深度学习之DJL构建简单的卷积神经网络CNN 1、伪代码 Model model = Model.newInstance(MODEL_NAME); // Block is a composable unit that forms a neural network; combine them like Lego blocks // to form a complex network Block block = new SequentialBlock() .add(C 阅读详情

原文:Learning Neural Networks Using Java Libraries
作者:
Daniela Kolarova

翻译:lloog

译者注:作者介绍了神经网络的进化历史,总结了流行的Java神经网络库,以及实现神经网络的方法 。

作为开发人员,我们习惯从用命令或函数的角度来思考问题。程序由任务组成,每个任务都包含一些编程结构。神经网络不同于这种编程方法,因为它加入了自动任务改进的概念,或者类似于大脑的学习和改进的能力。换句话说,神经网络在没有特定任务编程的情况下主动学习新的活动。

本教程不是教你从头开始编写神经网络的教程,而是介绍结合Java代码的神经网络。本文主要内容是首先介绍神经网络的发展从McCulloch和Pitt的神经元开始,然后通过Hebb的发现,实现了Rosenblatt的感知器来增强它,并说明了它为什么不能解决XOR问题。其次介绍了通过连接神经元,生成一个多层感知器,并通过应用反向传播算法进行学习,从而实现XOR问题的解决方案。最后在演示神经网络实现、训练算法和测试之后,介绍利用一些致力于深度学习的开源Java ML框架如Neuroph、Encog和Deeplearning4j来快速实现神经网络:

早期的人造神经元模型是由神经生理学家Warren McCulloch和逻辑学家Walter Pitts在1943年引入的。他们的论文名为“神经活动的逻辑微积分”,通常被认为是神经网络研究的开始。mcculloch - pitts神经元工作原理是对每一个输入输入1或0,其中1为真,0为假,然后给神经元分配一个二元阈值激活函数来计算神经元的输出。

image

该阈值给定一个实际值,比如1,如果阈值达到或超过阈值,则允许输出0或1。此外,为了表示AND函数,我们设置2.0的阈值,如下表所示:

image

如果我们将阈值切换到1,那么这个方法也可以应用于OR函数。到目前为止,我们具有如表所示的典型的线性可分离数据,我们可以使用直线来划分数据。 然而,McCulloch-Pitts神经元有一些严重的局限性。它既不能解决“异或”功能(XOR)也不能解决不是线性分离的“排他性”功能(XNOR)。 唐纳德·赫布(Donald Hebb)提出下一次革命,他以关于Hebbian学习的理论而闻名。在他1949年出版的《行为的组织》一书中这样写道:

当细胞A的轴突足够接近细胞B,不断反复持续的激活细胞B,两个细胞之间就会产生生长过程或代谢变化,这样A的效率提高了,就像燃烧了细胞B一样”。

换句话说,当一个神经元不停地触发另一个神经元时,第一个神经元的轴突/连接就会形成突触小结,如果它们已经与第二个神经元连接,就会放大它们。Hebb不仅提出,当两个神经元一起点燃神经元之间的连接时,神经元之间的联系就会增强——这被称为神经元之间连接的权重——还提出这个活动是学习和记忆所必需的基本操作之一。因此必须改变McCulloch-Pitts神经元,以便为每个输入分配权重。 此外,相对于总阀值量,1的输入或多或少都被被赋予了权重。

后来,在1962年,由Frank Rosenblatt在他的《神经动力学原理》一书中定义并描述了感知器。这是一个神经元的模型,它可以通过输入的权重在Hebbean Sense 中学习,并为后来神经网络的发展奠定了基础。感知器学习使用随机权重初始化感知器,在激活后反复检查答案是否正确。如果不正确,神经网络可以从错误中学习并调整它的权重。

image

尽管感知器对原始McCulloch-Pitts神经元进行了许多改变,但感知器仍然局限于解决某些功能。1969年,Minsky与Seymour Papert,合著了” 感知器:计算几何的介绍”,在文章中攻击了感知器的局限性。文章中表明,感知器只能解决线性可分函数,并没有打破这点的限制。直到20世纪80年代以前,这方面的研究还很少。现在解决这些困难的方法之一就是建立神经网络。这些网络将人工神经元的输入与其他人工神经元的输出连接起来。因此,网络能够解决更困难的问题,但它们也会变得相当复杂。但感知器没有解决的XOR问题。如果我们仔细观察真值表,我们可以看到XOR函数变成等价于单个神经元可表示的OR和NOT AND函数。
让我们再来看看真值表:

image

但是我们可以将代表NOT和AND的两个神经元结合起来,并构建一个神经网络来解决类似于下图所示的XOR问题:

image

这个图表示多层感知器,它有一个输入层,一个隐藏层和一个输出层。神经元之间的连接与图片中没有显示的权重有关。与单一感知器类似,每个处理单元都有一个summing和激活组件。它看起来很简单,但我们也需要一个训练算法来调整各个层次的权重,并让它学习。通过简单的感知器,我们可以很容易地根据误差计算变化权重。从而训练多层感知器实现计算神经网络的整体错误。

1986年,Geoffrey Hinton,David Rumelhart和Ronald Williams发表了一篇论文,“通过反向传播错误学习表示”,描述了一个新的学习过程,反向传播。该过程反复调整网络中连接的权重,从而最小化网络实际输出向量和所需输出向量之间的差值。作为权重调整的结果,内部隐藏的单元(不是输入或输出的一部分)被用来表示重要的特征,并且这些单元通过交互捕获规律性任务。

现在我们已经能够编写使用Java学习XOR函数的多层感知器。这需要创建一些类,比如名为ProcessingUnit的神经元接口,连接类,一些更活跃的函数,以及一个能够学习的单层神经网络。在我的GitHub存储库中你可以在项目中找到这些接口和类。

其中NeuralNet类负责对层的构造和初始化。它还提供了训练和评估激活结果的功能。 如果运行NeuralNet类来解决典型的XOR问题,它将激活,评估结果,应用反向传播算法和输出训练结果。

如果你仔细查看代码,你会发现它在可重用性方面并不是非常灵活。如果我们将NeuralNet结构从训练部分分离出来,变成把各种学习算法应用在各种神经网络结构上,那就更好了。此外,我们想要更深入的学习结构和各种激活函数,则必须改变数据结构。因为到目前为止,只有一个隐藏层被定义。为了确保不产生任何bug,反向传播计算必须经过仔细的测试。一旦完成了所有的重构,我们就必须开始考虑深层神经网络的性能。

我想说的是,如果我们进行实际开发,那么首先需要看看现有的神经网络库。虽然从头开始实现神经网络有助于理解整个网络的细节,但是如果一个真实的解决方案必须从头开始实施,那么将要付出很大的努力。在本文中,我只选择了纯Java神经网络库。尽管Deeplearning4j得到了商业支持,但所有这些都是开源的。网上都有大量的参考文档和例子。其中Deeplearning4j也支持CUDA。维基百科也提供了一份关于各种语言的深度学习软件的综合列表。

如何使用神经网络库的示例也被包含在关于使用XOR NeuralNet的GitHub中。很明显,在开发中利用现成的函数库与自己编写java代码相比工作量要少很多。其中Neuroph是为数据集提供的API,它更容易初始化训练数据,学习规则的层次结构,进行神经网络串行化/持久性和反序列化,并带有GUI。Encog是一种先进的机器学习框架,支持多种高级算法,也支持规范化类和处理数据。然而,它的主要优势在于神经网络算法。Encog包含创建各种网络的类,以及支持这些神经网络的规范化和处理数据的支持类。Deeplearning4j是一个非常强大的库,支持多种算法,包括与Apache Hadoop和Spark集成的分布式并行版本。对于有经验的开发人员和软件架构师来说,这绝对是正确的选择。这里作为神经网络库的一部分提供了一个XOR示例。

想在要利用现有的众多神经网络库,开发人员需要熟悉各种各样的参数,从而让他们的神经网络进行学习。本文演示了一个非常简单的例子,它包含神经元和反向传播。然而,今天使用的许多人工神经网络仍然来使用mcculloch - pitts神经元和Rosenblatt感知器的早期版本。作为构建现代深层神经网络的基石,重要的是要理解神经元的根,并在库中利用好现成的神经元、层、激活函数和学习算法。

Java中的机器学习模型集成与训练 随着人工智能和机器学习技术的发展,机器学习在各行各业的应用越来越广泛,而Java作为一门强大且广泛应用的编程语言,自然也成为了许多机器学习工程师的首选。尽管Java提供了强大的机器学习库和工具,但在实际项目中,仍然面临一些挑战,例如模型的性能优化、大规模数据的处理和分布式计算等。Java提供了丰富的库和框架,使得机器学习模型的集成和训练变得更加便捷和高效。在上述示例中,我们使用了DL4J库来构建一个简单的多层感知机(MLP)神经网络模型,并使用经典的鸢尾花数据集进行训练和评估。 阅读详情

相关推荐

常用机器学习库和深度学习库整理

这一年多以来的科研工作中,调研了不少机器学习库的相关知识,临近年底,事情不多,感觉正好可以整理一下。由于笔者主要使用python的缘故,这里介绍的函数库以python库居多,但也顺带介绍了一些其他编程语言的机器学习库。

cyclinbox的博客 2326

Java-ML框架是什么

Java-ML框架是一种在Java语言环境下运行的机器学习框架。它提供了一组工具和库,帮助开发人员使用Java语言实现机器学习的相关任务,比如数据预处理、模型训练、评估等。这个框架为开发人员提供了一个简单和易于使用的界面,帮助他们快速开发机器学习应用。 ...

weixin_42584758的博客 736

开源神经网络库推荐

在机器学习和人工智能领域,神经网络是一种强大的工具。开源神经网络库为开发者提供了便捷的方式来构建、训练和部署神经网络模型。这些库通常具有丰富的文档、示例代码,并且易于使用,能够大大提高开发效率。

qq_29715355的博客 1009

Java 机器学习(一)

当提出问题定义时,我们需要问一些问题,这些问题将有助于从数据中理解目标和目标信息。我们可以问一些非常常见的问题,例如:一旦研究了数据,预期的发现是什么?*数据探索后能提取出什么样的信息?*或者,*需要什么样的格式才能回答问题?*提出正确的问题会让你更清楚地了解下一步该怎么做。数据只是数字、文字、观察、事物描述、图像等形式的测量值的集合。在这一章中,我们更新了机器学习基础知识。我们回顾了应用机器学习的工作流程,并阐明了主要任务、方法和算法。我们学习了不同类型的回归以及如何评估它们。

龙哥盟 1716

破解金融欺诈!Java + 机器学习 = 0欺诈?揭秘背后的5大算法

🔥关注墨瑾轩,带你探索编程的奥秘!🚀🔥超萌技术攻略,轻松晋级编程高手🚀🔥技术宝库已备好,就等你来挖掘🚀🔥订阅墨瑾轩,智趣学习不孤单🚀🔥即刻启航,编程之旅更有趣🚀在金融的世界里,欺诈就像一只隐藏在暗处的老鼠,随时准备啃食无辜者的钱财。而我们的任务就是成为那只聪明的猫,用技术的力量捕捉每一个可疑的行为。今天,我们将探讨如何利用Java结合机器学习算法来构建一个强大的金融欺诈检测系统。这不仅是一场技术之旅,更是一次与数据斗智斗勇的冒险!

java专栏 483

【机器学习】十大 Java 机器学习工具和库

十大 Java 机器学习工具和库1. Apache Spark's MLib 本文不仅面向 Java web开发人员。而且企业主也需要知道程序员能否高效开发 ML 应用程序,其中包括熟悉 Java 中的机器学习包。此外,如果您希望在技术讨论中拥有发言权,则了解该文章内容是有必要的。 对于Java机器学习的关注反映了Java语言的普及。由于其极端的稳定,领先的组织和企业已经采用Java几十年。它广泛应用于Android的移动应用开发,为全球数十亿用户提供服务。 为了实现机器学习算法,Java 开发人员可以使用

小哲的博客 7520

Java与机器学习:深入理解深度学习与神经网络

深度学习是一种基于人工神经网络的机器学习方法,通过多层神经网络的训练,能够自动提取数据的高层次特征。深度学习在图像识别、语音识别、自然语言处理等领域取得了显著的成果。

阿里渣渣java研发组-群主 1425

计算智能——前馈神经网络的构建——上机实验一

利用Java语言和Encog学习框架,在Apache NetBeans开发环境下设计并实现一个前馈型神经网络。

m0_73962294的博客 995

Java与机器学习:深入理解循环神经网络(RNNs)

循环神经网络(RNNs)是一种专门用于处理序列数据的神经网络模型。与传统的前馈神经网络不同,RNNs具有循环结构,能够将前一时刻的隐藏状态传递到下一时刻,从而捕捉序列中的时间依赖关系。在本篇文章中,我们深入探讨了循环神经网络(RNNs)的基本概念,并通过实际代码示例展示了如何使用Deeplearning4j实现基本RNN和LSTM。RNNs是深度学习领域中一个重要且广泛应用的模型,掌握这些技术能够显著提升你的项目能力。在接下来的文章中,我们将继续探讨更多的机器学习算法和应用,敬请期待!

阿里渣渣java研发组-群主 3036

javaml:使用Java的机器学习算法的实现

Java语言 使用Java的机器学习算法的实现。

Java-ML:演示-Java中的机器学习

Java语言 演示-Java中的机器学习

Java实现BP神经网络

BP神经网络的过程主要分为两个阶段,第一阶段是信号的前向传播,从输入层经过隐含层,最后到达输出层;第二阶段是误差的反向传播,从输出层到隐含层,最后到输入层,依次调节隐含层到输出层的权重和偏置,输入层到隐含层的权重和偏置。这个类实现了一些具体且固定的Ann流程方法,如:读取文件并为属性赋值的构造方法、实现模型训练的train()方法以及实现激活函数的argmax()方法。其中线性运算可以将所有输入的值都作为有效输入信息抓入网络,非线性运算可以消除输入的线性结构。是待更新变量,另一个是学习率。

Zhang_ing的博客 2519

vue3+SuperMap iClient3D for Cesium实现可视域分析功能

基于Vue3框架及SuperMap iClient3D for Cesium提供的ViewShed3D类实现场景动态可视域分析

qq_43334519的博客 2248

神经网络编程的34个案例,神经网络编程是什么

四,在实际使用的python入门简单,但要学会用python干活,需要再学习python各种库,pyhton的强大在于库,为什么python的库强大,原因是python的库可以用python,c语言,c++等设计,再提供给python使用,所以无论gpu运行,神经网络,智能算法,数据分析,图像处理,科学计算,各式各样的库在等着你用。如果你想在程序员的道路上稳步发展,建议先学习Java,再学python,C++,JavaScript,PHP等其他语言,会事半功倍。总结:每隔几年就会有些关于人工智能的新声音。

xilao138的博客 720

[arcgis插件]在批量出图时,如何把图层属性表以动态表格的形式插入到布局页面

在批量出图时,如何把图层属性表以动态表格的形式插入到布局页面。

坐听风雨 4570

isaaclab无法识别NVIDIA显卡,如何解决?

🏆本文收录于 《全栈Bug调优(实战版)》 专栏,该专栏专注于分享我在真实项目开发中遇到的各类疑难Bug及其深层成因,并系统提供高效、可复现的解决思路和实操方案。无论你是刚入行的新手开发者,还是拥有多年项目经验的资深工程师,本专栏都将为你提供一条系统化、高质量的问题排查与优化路径,助力你加速成长,攻克技术壁垒,迈向技术价值最大化与职业发展的更高峰🚀!    📌 特别说明: 文中部分技术问题来源于真实生产环境及网络公开案例,均经过精挑细选与系统化整理,并结合多位一线资深架构师和工程师多年实战经验沉淀,提

**My Coding Family** 1147

AI算法常用库java版

它包括各种用于分类、回归和聚类的算法,以及用于数据预处理和特征工程的工具。它包括用于分类、回归、聚类和协同过滤的各种算法。用于 Java 的机器学习库,包括分类、回归、聚类和关联规则挖掘算法。Weka 提供了数据预处理、分类、回归、聚类、关联规则和可视化的工具。Encog 为创建和训练神经网络提供了一个灵活、模块化和可扩展的架构。Java-ML 提供了广泛的分类、回归、聚类和特征选择算法。一旦很好地理解了这些概念,就可以开始探索和试验不同的算法和框架来构建自己的 ChatGPT。

weixin_52654493的博客 1283

《电磁兼容设计》专栏说明

本专栏自2024年1月起开始更新,仅设此一个电磁兼容相关知识专栏,并将一直持续更新下去,无期限

linkking27的博客 795

java 坦克机器人_[转]人工智能 Java 坦克机器人系列: 神经网络,下部

在 IBM Bluemix 云平台上开发并部署您的下一个应用。贝叶斯网络贝叶斯网络亦称信念网络(Belief Network),于 1985 年由 Judea Pearl 首先提出。它是一种模拟人类推理过程中因果关系的不确定性处理模型,其网络拓朴结构是一个有向无环图(DAG)。它的节点用随机变量或命题来标识,认为有直接关系的命题或变量则用弧来连接。例如,假设结点 E 直接影响到结点 H,即 E→H...

weixin_35714733的博客 383

YOLOv12改进策略【损失函数篇】| 替换Powerful-IoU(PIoU),增强对中等质量锚框的关注力,引导锚框更直接、高效地回归

本文针对现有基于IoU的损失函数在目标检测任务中存在的问题,提出了利用Powerful-IoU(PIoU)及其升级版PIoU v2改进YOLOv12的损失函数,以提高模型精度。文章详细介绍了PIoU和PIoU v2的结构原理,并提供了在YOLOv12中实现这些损失函数的具体步骤和代码修改方法。

Limiiiing的博客 932

智联招聘Python岗位数据采集:基于API请求的校园招聘信息爬取实战

本项目开发了一个智联招聘Python岗位校园招聘数据采集系统,采用requests库直接调用API接口获取结构化数据。系统通过分析API接口结构,配置完整的请求头、Cookie和身份验证参数,实现了10页数据的批量采集。采集内容包括工作名称、薪资范围、企业信息等10个关键字段,并存储为Excel格式。项目严格遵守网络爬虫规范,合理控制请求频率,数据仅用于技术学习和就业分析。技术实现涉及API逆向工程、JSON数据处理、防御性编程等核心技能,为学生职业规划和教育机构教学改革提供数据支持。

那些看似不起波澜的日复一日,会在某天让你看到坚持的意义 631

七个最流行的Python神经网络库

https://www.toutiao.com/a6697243469124993550/ 由于具备包括各种各样的库、社区等在内的多种特性,Python是目前最广泛使用的语言之一。各种各样的库为神经网络和深度学习的研究和开发提供了基础的能力。这里我们列出七个最流行的Python神经网络库。 TensorFlow:TensorFlow是一个开放源码的软件库,具有灵活的体系结构使代...

喜欢打酱油的老鸟 2万+

深度学习与西储大学轴承数据集(一)

西储大学数据集介绍

weixin_50642818的博客 1万+

7 个最佳 Java 机器学习库

使用最佳 Java 库将您的机器学习项目提升到新的水平。我们的首选包括 Weka 和 Deeplearning4j,它们可以帮助您构建强大的模型。机器学习是人工智能 (AI) 的一个子集,是指机器或程序模仿人类行为并执行复杂任务的能力,这些任务模仿我们解决问题的能力。Java 是机器学习的顶级编程语言之一。在这里,我们将介绍可用的最佳库来帮助您构建机器学习解决方案。除了选择正确的方法之外,您还需要了解要预测的数据类型。然后,您可以选择要使用的算法类型。

在技术的广袤天地里,本博客如精准罗盘。剖析前沿科技,深掘代码奥秘,以精炼笔触,带您穿越复杂技术迷宫,速达知识彼岸。 2115

YOLO骨干网络改进-第1篇:深度解析YOLOv8的C2f模块原理与实现

首先,需要将自定义的C2f模块注册到Ultralytics的模块字典中。# 注册自定义模块"""自定义的C2f模块。"""# 自定义YOLOv8s配置文件:yolov8s_custom.yamlscales:# Backbonebackbone:# Headhead:# 加载自定义模型# 训练模型imgsz=640,batch=16,device=0,workers=8,设计理念:C2f模块是C3模块的演进,通过增加梯度分支来丰富梯度流,提升特征表示能力。结构原理。

2201_76125393的博客 113

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

上一篇: 从Python切换到Go的九大理由
下一篇: 机器学习产品化的几点思考
csdn研发技术
博客等级 码龄9年 1381粉丝 90原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值