用Java開源項(xiàng)目JOONE實(shí)現(xiàn)人工智能編程

2019-11-18 15:41:28

字體：大中小

供稿：網(wǎng)友

簡介
　　很少有程序員不對這里或者那里所包含的人工智能編程所吸引，然而，許多對AI感愛好的程序員很快就因其中包含的算法的復(fù)雜性而退卻。在本文中，我們將討論一個能大大簡化這種復(fù)雜性的java開源工程。

　　Java面向?qū)ο蟮纳窠?jīng)網(wǎng)絡(luò)(JOONE)是一開源工程，它提供給Java程序員一個高適應(yīng)性的神經(jīng)網(wǎng)絡(luò)。該JOONE工程源代碼由LGPL所保護(hù)。簡言之，這意味著源代碼是可自由使用的而且你不需要支付版稅就可以使用JOONE。JOONE可以從http://joone.sourceforge.net/處下載。
JOONE能答應(yīng)你輕易地從一個Java程序中創(chuàng)建神經(jīng)網(wǎng)絡(luò)。JOONE支持許多特征，如多線程和分布式處理。這意味著JOONE能利用多處理機(jī)計(jì)算機(jī)和多臺計(jì)算機(jī)的優(yōu)勢來進(jìn)行分布式處理。
　　神經(jīng)網(wǎng)絡(luò)
　　JOONE用Java實(shí)現(xiàn)了一個人工神經(jīng)網(wǎng)絡(luò)。一個人工神經(jīng)網(wǎng)絡(luò)試圖仿效生物學(xué)神經(jīng)網(wǎng)絡(luò)的功能--神經(jīng)網(wǎng)絡(luò)組成今天在地球上幾乎所有高等生命的大腦形式。神經(jīng)網(wǎng)絡(luò)由神經(jīng)原組成。圖1顯示了一個實(shí)際神經(jīng)原圖。

用Java開源項(xiàng)目JOONE實(shí)現(xiàn)人工智能編程（圖一）
圖1:一個生物學(xué)的神經(jīng)原

　　從圖1中你可以看出，神經(jīng)原由一個內(nèi)核細(xì)胞和幾個長長的稱為觸角的連接器組成。神經(jīng)原之間依靠這些觸角進(jìn)行連接。無論是生物學(xué)的還是人工的神經(jīng)網(wǎng)絡(luò)，都通過觸角把信號從一個神經(jīng)原傳遞到另一個神經(jīng)原來工作。

　　 使用JOONE
　　在這篇文章中，你將看到一個簡單的怎樣使用JOONE的實(shí)例。神經(jīng)網(wǎng)絡(luò)題目涉及廣泛并覆蓋許多不同的應(yīng)用領(lǐng)域。在本文中，我們將展示給你怎樣使用JOONE來解決一個很簡單的模式識別問題。模式識別是神經(jīng)網(wǎng)絡(luò)中的最普遍的應(yīng)用之一。

　　模式識別提供給神經(jīng)網(wǎng)絡(luò)一種模式，判定是否該神經(jīng)網(wǎng)絡(luò)能夠識別出該模式。這種模式應(yīng)該能夠在某種程度上被扭曲而該神經(jīng)網(wǎng)絡(luò)仍然能夠識別它。這很像人類識別東西（如一個交通標(biāo)志）的能力。人類應(yīng)該能夠識別在下雨天，晴天或者晚上的交通標(biāo)志。即使這些圖像看上去可能相當(dāng)不同，但人類的大腦仍能夠判定出它們是一樣的圖像。
　　當(dāng)進(jìn)行JOONE編程時，你一般要使用兩種類型的對象。你要使用神經(jīng)原層對象，用于描述一層的一個或多個的具有相似特征的神經(jīng)原。神經(jīng)網(wǎng)絡(luò)經(jīng)常有一層或兩層神經(jīng)元。這些神經(jīng)元層通過觸角聯(lián)系在一起。這些觸角把這種待識別的模式，從一個神經(jīng)元層傳輸?shù)搅硪粋€神經(jīng)元層。
　　觸角不僅把這種模式從一個神經(jīng)元層傳輸?shù)搅硪粋€神經(jīng)元層。觸角還將生成一些指向這種模式的元素的斜線。這些斜線將導(dǎo)致這種模式的某些元素在被傳輸?shù)较乱粋€神經(jīng)元層時不如通過其它方式傳遞更有效些。這些斜線通常稱為權(quán)重，它們形成神經(jīng)網(wǎng)絡(luò)的存儲系統(tǒng)。通過調(diào)整存儲在觸角中的這些權(quán)重，可以更改神經(jīng)網(wǎng)絡(luò)的行為。
　　觸角在JOONE中還承擔(dān)著另外一個角色。在JOONE中，可以把觸角看作是數(shù)據(jù)導(dǎo)管。正如觸角把模式從一個神經(jīng)元層傳輸?shù)搅硪粋€神經(jīng)元層，指定版本的觸角用于把模式傳入和傳出神經(jīng)網(wǎng)絡(luò)。下面將給你展示一個簡單的單層的神經(jīng)網(wǎng)絡(luò)是怎樣被構(gòu)建并進(jìn)行模式識別的。

練習(xí)神經(jīng)網(wǎng)絡(luò)
　　為實(shí)現(xiàn)本文的目的，我們將指導(dǎo)JOONE去識別一個很簡單的模式。在這種模式中，我們將考察一個二進(jìn)制的布爾操作，例如XOR。這個XOR操作的真值表列舉如下：

X Y X XOR Y0 0 00 1 11 0 11 10

　　正如你從上表中看到的，XOR運(yùn)算的結(jié)果是只有當(dāng)X和Y具有不同值時，結(jié)果才為真（1）。其它情況下，XOR運(yùn)算結(jié)果均為假（0）。默認(rèn)地，JOONE從存儲在你的系統(tǒng)中的文本文件中取得輸入。這些文本文件通過使用一種稱為FileInputSynapse的非凡觸角來讀取。為了練習(xí)XOR運(yùn)算問題，你必須建立一個輸入文件-該文件包含上面顯示的數(shù)據(jù)。該文件顯示在列表1中。
　　列表1:為解決XOR問題的輸入文件的內(nèi)容
0.0;0.0;0.0
0.0;1.0;1.0
1.0;0.0;1.0
1.0;1.0;0.0

　　我們現(xiàn)在分析一個簡單的程序，它指導(dǎo)JOONE來識別XOR運(yùn)算并產(chǎn)生正確的結(jié)果。我們現(xiàn)在分析練習(xí)該神經(jīng)網(wǎng)絡(luò)必須被處理的過程。練習(xí)過程包括把XOR問題提交給神經(jīng)網(wǎng)絡(luò)，然后觀察結(jié)果。假如這個結(jié)果不是所預(yù)期的，該練習(xí)算法將調(diào)整存儲在觸角中的重量。在神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出和預(yù)料的輸出之間的差距稱為誤差。練習(xí)將繼續(xù)到誤差小于一個可接受值為止。這個級別通常是一個百分?jǐn)?shù)，如10%。我們現(xiàn)在分析必須用于練習(xí)一個神經(jīng)網(wǎng)絡(luò)的代碼。
　　練習(xí)過程通過建立神經(jīng)網(wǎng)絡(luò)開始，同時也必須創(chuàng)建隱蔽的輸入層和輸出層。
// 首先，創(chuàng)造這三個層 input = new SigmoidLayer(); hidden = new SigmoidLayer(); output = new SigmoidLayer();
　　每個層被使用JOONE對象SigmoidLayer創(chuàng)建。Sigmoidlayer基于自然對數(shù)生成一個輸出。JOONE還包含另外的層，而不是你可能選擇使用的S形的層類型。
　　下一步，每一層被賦于一個名字。這些名字將有助于后面在調(diào)試期間識別該層。
input.setLayerName("input"); hidden.setLayerName("hidden"); output.setLayerName("output");
　　現(xiàn)在必須定義每個層。我們將指定在每一層中的"行"號。該"行"號對應(yīng)于這一層中的神經(jīng)原的數(shù)目。
input.setRows(2); hidden.setRows(3); output.setRows(1);
　　從上面的代碼看出，輸入層有兩個神經(jīng)原，隱蔽層有三個隱蔽神經(jīng)原，輸出層包含一個神經(jīng)原。這對于神經(jīng)網(wǎng)絡(luò)包含兩個輸入神經(jīng)原和一個輸出神經(jīng)原是具有重要意義的，因?yàn)閄OR運(yùn)算符接收兩個參數(shù)而產(chǎn)生一個結(jié)果。
　　為使用該神經(jīng)原層，我們也必須創(chuàng)建觸角。在本例中，我們要使用多個觸角。這些觸角用下面的代碼實(shí)現(xiàn)。
// 輸入-> 隱蔽的連接。 FullSynapse synapse_IH = new FullSynapse(); // 隱蔽-> 輸出連接。 FullSynapse synapse_HO = new FullSynapse();
　　就象神經(jīng)原層的情況一樣，觸角也可能命名以有助于程序的調(diào)試。下面的代碼命名新建的觸角。
synapse_IH.setName("IH"); synapse_HO.setName("HO");
　　最后，我們必須把觸角聯(lián)接到適當(dāng)神經(jīng)原層。下面的代碼實(shí)現(xiàn)這一點(diǎn)。
// 聯(lián)接輸入層到隱蔽層 input.addOutputSynapse(synapse_IH); hidden.addInputSynapse(synapse_IH); // 聯(lián)接隱蔽層到輸出層 hidden.addOutputSynapse(synapse_HO); output.addInputSynapse(synapse_HO);
　　現(xiàn)在既然神經(jīng)網(wǎng)絡(luò)已被創(chuàng)建，我們必須創(chuàng)建一個用于調(diào)節(jié)該神經(jīng)網(wǎng)絡(luò)的監(jiān)視器對象。下面的代碼創(chuàng)建監(jiān)視器對象。
//創(chuàng)建監(jiān)視器對象并且設(shè)置學(xué)習(xí)參數(shù) monitor = new Monitor(); monitor.setLearningRate(0.8); monitor.setMomentum(0.3);
　　學(xué)習(xí)速度和動力作為參數(shù)以用于指定練習(xí)的產(chǎn)生方式。JOONE利用backPRopagation學(xué)習(xí)算法。要更多了解關(guān)于學(xué)習(xí)速度或者動力的信息，你應(yīng)該參考backpropagation算法。
　　這個監(jiān)視器對象應(yīng)該被賦值給每一個神經(jīng)原層。下面的代碼實(shí)現(xiàn)這一點(diǎn)。
input.setMonitor(monitor); hidden.setMonitor(monitor); output.setMonitor(monitor);
　　就象許多Java對象本身一樣，JOONE監(jiān)視器答應(yīng)聽者可以添加到它上面去。隨著練習(xí)的進(jìn)行，JOONE將通知聽者有關(guān)練習(xí)進(jìn)程的信息。在這個簡單的例子中，我們使用:
monitor.addNeuralNetListener(this);
　　我們現(xiàn)在必須建立輸入觸角。如前所述，我們將使用一個FileInputSynapse來讀取一個磁盤文件。磁盤文件不是JOONE唯一能夠接受的輸入種類。JOONE對于不同的輸入源具有很強(qiáng)的靈活性。為使JOONE能夠接收其它輸入類型，你只需創(chuàng)建一個新的觸角來接受輸入。在本例中，我們將簡單地使用FileInputSynapse。FileInputSynapse首先被實(shí)例化。
inputStream = new FileInputSynapse();
　　然后，必須通知FileInputSynapse要使用哪些列。列表1中顯示的文件使用了輸入數(shù)據(jù)的前兩列。下面代碼建立起前兩列用于輸入到神經(jīng)網(wǎng)絡(luò)。
// 前兩列包含輸入值 inputStream.setFirstCol(1); inputStream.setLastCol(2);
　　然后，我們必須提供輸入文件的名字,這個名字直接來源于用戶接口。然后，提供一個編輯控件用于收集輸入文件的名字。下面代碼為FileInputSynapse設(shè)置文件名。
// 這是包含輸入數(shù)據(jù)的文件名 inputStream.setFileName(inputFile.getText());
　　如前所述，一個觸角僅是一個神經(jīng)原層之間的數(shù)據(jù)導(dǎo)管。FileInputSynapse正是這里的數(shù)據(jù)導(dǎo)管，通過它數(shù)據(jù)進(jìn)入到神經(jīng)網(wǎng)絡(luò)。為了更輕易實(shí)現(xiàn)這點(diǎn)，我們必須要把FileInputSynapse加到神經(jīng)網(wǎng)絡(luò)的輸入層。這由下面一行實(shí)現(xiàn)。
input.addInputSynapse(inputStream);
　　現(xiàn)在既然已經(jīng)建立起神經(jīng)網(wǎng)絡(luò)，我們必須創(chuàng)建一個練習(xí)員和一個監(jiān)視器。練習(xí)員用于練習(xí)該神經(jīng)網(wǎng)絡(luò)，因?yàn)樵摫O(jiān)視器通過一個事先設(shè)置好的練習(xí)重復(fù)數(shù)來運(yùn)行這個神經(jīng)網(wǎng)絡(luò)。對于每一次練習(xí)重復(fù)，數(shù)據(jù)被提供到神經(jīng)網(wǎng)絡(luò)，然后就可以觀察到結(jié)果。該神經(jīng)網(wǎng)絡(luò)的權(quán)重（存儲在穿梭在神經(jīng)原層之間的觸角連接中）將根據(jù)誤差作適當(dāng)調(diào)整。隨著練習(xí)的進(jìn)行，誤差級將下降。下列代碼建立練習(xí)員并把它依附到監(jiān)視器。
trainer = new TeachingSynapse(); trainer.setMonitor(monitor);
　　你會記得列表1中提供的輸入文件包含三個列。到目前為止，我們僅僅使用了第一、二列，它們指定了到神經(jīng)網(wǎng)絡(luò)的輸入。第三列包含當(dāng)提供給神經(jīng)網(wǎng)絡(luò)第一列中的數(shù)字時的期盼的輸出值。我們必須使得練習(xí)員能夠存取該列以便能確定誤差。該錯誤是神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出和期盼的輸出之間的差距。下列代碼創(chuàng)建另外一個FileInputSynapse并作好預(yù)備以讀取與前面相同的輸入文件。
// 設(shè)置包含期望的響應(yīng)值的文件，這由FileInputSynapse來提供 samples = new FileInputSynapse(); samples.setFileName(inputFile.getText());
　　這時，我們想指向在第三列的FileInputSynapse。下列代碼實(shí)現(xiàn)了這一點(diǎn)，然后讓練習(xí)員使用這個FileInputSynapse。
//輸出值在文件中的第三列上 samples.setFirstCol(3); samples.setLastCol(3); trainer.setDesired(samples);
　　最后，練習(xí)員被連結(jié)到神經(jīng)網(wǎng)絡(luò)輸出層，這將使練習(xí)員接收神經(jīng)網(wǎng)絡(luò)的輸出。
// 連接練習(xí)員到網(wǎng)絡(luò)的最后一層 output.addOutputSynapse(trainer);
　　我們現(xiàn)在已為所有的層預(yù)備好后臺線程，包括練習(xí)員。
input.start(); hidden.start(); output.start(); trainer.start();
　　最后，我們?yōu)榫毩?xí)設(shè)置一些參數(shù)。我們指定在輸入文件中共有四行，而且想練習(xí)20，000個周期，而且還在不段學(xué)習(xí)。假如你設(shè)置學(xué)習(xí)參數(shù)為false，該神經(jīng)網(wǎng)絡(luò)將簡單地處理輸入并不進(jìn)行學(xué)習(xí)。我們將在下一節(jié)討論輸入處理。
monitor.setPatterns(4); monitor.setTotCicles(20000); monitor.setLearning(true);
　　現(xiàn)在我們已經(jīng)為練習(xí)過程作好預(yù)備。調(diào)用監(jiān)視器的Go方法將在后臺啟動練習(xí)過程。
monitor.Go();
　　神經(jīng)網(wǎng)絡(luò)現(xiàn)在將要被練習(xí)20，000個周期。當(dāng)神經(jīng)網(wǎng)絡(luò)練習(xí)完成，誤差層應(yīng)該在一個合理的低級別上。一般低于10%的誤差級是可接受的。