【专知-Deeplearning4j深度学习教程03】使用多层神经网络分类MNIST数据集:图文+代码- 专知

会员服务 ·

【专知-Deeplearning4j深度学习教程03】使用多层神经网络分类MNIST数据集:图文+代码

Hujun

点击上方“专知”关注获取更多AI知识!

【导读】主题链路知识是我们专知的核心功能之一，为用户提供AI领域系统性的知识学习服务，一站式学习人工智能的知识，包含人工智能（机器学习、自然语言处理、计算机视觉等）、大数据、编程语言、系统架构。使用请访问专知进行主题搜索查看 - 桌面电脑访问www.zhuanzhi.ai, 手机端访问www.zhuanzhi.ai 或关注微信公众号后台回复" 专知"进入专知，搜索主题查看。继Pytorch教程后，我们推出面向Java程序员的深度学习教程DeepLearning4J。Deeplearning4j的案例和资料很少，官方的doc文件也非常简陋，基本上所有的类和函数的都没有解释。为此，我们推出来自中科院自动化所专知小组博士生Hujun创作的-分布式Java开源深度学习框架Deeplearning4j学习教程，第三篇，使用多层神经网络分类MNIST数据集（手写数字识别）。

Deeplearning4j开发环境配置
ND4J（DL4J的矩阵运算库）教程
基于DL4J的CNN、AutoEncoder、RNN、Word2Vec等模型的实现

MNIST数据集

MNIST由手写数字图片组成，包含0-9十种数字，常被用作测试机器学习算法性能的基准数据集。MNIST包含了一个有60000张图片的训练集和一个有10000张图片的测试集。深度学习在MNIST上可以达到99.7%的准确率。

Deeplearning4j中直接集成了MNIST数据集，例如可以直接用下面的代码加载训练集和测试集：

DataSetIterator mnistTrain = new MnistDataSetIterator(batchSize, true, rngSeed); DataSetIterator mnistTest = new MnistDataSetIterator(batchSize, false, rngSeed);

DataSetIterator mnistTrain = new MnistDataSetIterator(batchSize, true, rngSeed);DataSetIterator mnistTest = new MnistDataSetIterator(batchSize, false, rngSeed);

神经网络结构

本教程使用具有1个隐藏层的MLP作为网络的结构，使用RELU作为隐藏层的激活函数，使用SOFTMAX作为输出层的激活函数。

从图中可以看出，网络具有输入层、隐藏层和输出层一共3层，但在代码编写时，会将该网络看作由2个层组成（2次变换）：

Layer 0: 一个Dense Layer（全连接层），由输入层进行线性变换变为隐藏层，并使用RELU对变换结果进行激活。用公式表达形式为H = relu(XW_0 + b_0)，其中:

X: 输入层，是形状为[batch_size, input_dim]的矩阵，矩阵的每行对应一个样本，每列对应一个特征（一个像素）
H: 隐藏层的输出，是形状为[batch_size, hidden_dim]的矩阵，矩阵的每行对应一个样本隐藏层的输出
relu: 使用RELU激活函数进行激活
W_0: 形状为[input_dim, hidden_dim]的矩阵，是全连接层线性变换的参数
b_0: 形状为[hidden_dim]的矩阵，是全连接层线性变换的参数（偏置）

Layer 1: 一个Dense Layer(全连接层)，由隐藏层进行线性变换为输出层，并使用SOFTMAX对变换结果进行激活。用公式表达形式为：OUTPUT = softmax(HW_1 + b_1)，其中：

OUTPUT: 输出层，是形状为[batch_size, output_dim]的矩阵，矩阵的每行对应一个样本，每列对应样本属于某类的概率。例如该例子中第0列表示输入手写数字为1的概率。
softmax: 使用SOFTMAX激活函数进行激活
W_1: 形状为[hidden_dim, output_dim]的矩阵，是全连接层线性变换的参数
b_1: 形状为[output_dim]的矩阵，是全连接层线性变换的参数（偏置）

神经网络的训练过程，即神经网络参数的调整过程。待参数能够很好地预测测试集中样本的类别（label），神经网络就训练成功了。

代码

import org.nd4j.linalg.activations.Activation;
import org.nd4j.linalg.dataset.api.iterator.DataSetIterator;
import org.deeplearning4j.datasets.iterator.impl.MnistDataSetIterator;
import org.deeplearning4j.eval.Evaluation;
import org.deeplearning4j.nn.api.OptimizationAlgorithm;
import org.deeplearning4j.nn.conf.MultiLayerConfiguration;
import org.deeplearning4j.nn.conf.NeuralNetConfiguration;
import org.deeplearning4j.nn.conf.Updater;
import org.deeplearning4j.nn.conf.layers.DenseLayer;
import org.deeplearning4j.nn.conf.layers.OutputLayer;
import org.deeplearning4j.nn.multilayer.MultiLayerNetwork;
import org.deeplearning4j.nn.weights.WeightInit;
import org.deeplearning4j.optimize.listeners.ScoreIterationListener;
import org.nd4j.linalg.api.ndarray.INDArray;
import org.nd4j.linalg.dataset.DataSet;
import org.nd4j.linalg.lossfunctions.LossFunctions.LossFunction;
import org.slf4j.Logger;import org.slf4j.LoggerFactory;/** * 本示例使用Deeplearning4j构建了一个多层感知器（MLP）来进行手写数字（MNIST）的识别 * 该示例中的神经网络只有1个隐藏层 * * 输入层的维度是numRows*numColumns（图像像素行数*图像像素列数），即每个手写数字图像的像素数量（28*28） * 隐藏层的大小为1000，使用RELU作为激活函数 * 输出层为SOFTMAX层，用于表示输入图像属于每个分类的概率（概率总和为1） * */public class MLPMnistSingleLayerExample {    
        private static Logger log = LoggerFactory.getLogger(MLPMnistSingleLayerExample.class);    
        
        public static void main(String[] args) throws Exception {        
            //number of rows and columns in the input pictures            final int numRows = 28;        
            final int numColumns = 28;        
            int outputNum = 10; // 手写字符类别的数量            int batchSize = 128; // batch大小，一个batch中的输入使用相同的神经网络参数            int rngSeed = 123; // 设置一个随机种子，使得每次跑程序获得的随机值相同            int numEpochs = 15; // 训练时每扫描一遍数据集算一个Epoch            //Deeplearning4j内置的MNIST数据集            DataSetIterator mnistTrain = new MnistDataSetIterator(batchSize, true, rngSeed);            DataSetIterator mnistTest = new MnistDataSetIterator(batchSize, false, rngSeed);            log.info("Build model....");            MultiLayerConfiguration conf = new NeuralNetConfiguration.Builder()                .seed(rngSeed) // 为模型设置随机种子                // 使用随机梯度下降作为优化算法                .optimizationAlgo(OptimizationAlgorithm.STOCHASTIC_GRADIENT_DESCENT)                .iterations(1)                .learningRate(0.006) // 设置学习速率                .updater(Updater.NESTEROVS)                .regularization(true).l2(1e-4) //设置L2正则系数，设置L2正则可以降低过拟合的程度                .list() //开始构建MLP网络（多层感知器）                .layer(0, new DenseLayer.Builder() //设置第一个Dense层                        .nIn(numRows * numColumns) //输入为28*28                        .nOut(1000) //输出为1000                        .activation(Activation.RELU) //使用RELU激活                        .weightInit(WeightInit.XAVIER) //设置初始化方法                        .build())                .layer(1, new OutputLayer.Builder(LossFunction.NEGATIVELOGLIKELIHOOD) //设置第二个Dense层，OutputLayer也是Dense层                        .nIn(1000) //输入为1000                        .nOut(outputNum) //输出为10，即手写数字的类别数量                        .activation(Activation.SOFTMAX) //使用SOFTMAX激活                        .weightInit(WeightInit.XAVIER)                        .build())                .pretrain(false).backprop(true) //进行反向传播，不进行预训练                .build();            MultiLayerNetwork model = new MultiLayerNetwork(conf);            model.init();        //每隔1个iteration就输出一次score            model.setListeners(new ScoreIterationListener(1));            log.info("Train model....");        
            for( int i=0; i<numEpochs; i++ ){                model.fit(mnistTrain);            }            log.info("Evaluate model....");            Evaluation eval = new Evaluation(outputNum); //创建一个评价器            while(mnistTest.hasNext()){                DataSet next = mnistTest.next();                INDArray output = model.output(next.getFeatureMatrix()); //模型的预测结果                eval.eval(next.getLabels(), output); //根据真实的结果和模型的预测结果对模型进行评价            }            log.info(eval.stats());            log.info("****************Example finished********************");    } }