DL4J实战之二（鸢尾花分类）云计算

欢迎访问我的GitHub
https://github.com/zq2599/blog_demos
内容：所有原创文章分类汇总及配套源码，涉及Java、Docker、Kubernetes、DevOPS等；
本篇概览

本文是《DL4J》实战的第二篇，前面做好了准备工作，接下来进入正式实战，本篇内容是经典的入门例子：鸢尾花分类
下图是一朵鸢尾花，我们可以测量到它的四个特征：花瓣（petal）的宽和高，花萼（sepal）的宽和高：

文章图片

鸢尾花有三种：Setosa、Versicolor、Virginica
今天的实战是用前馈神经网络Feed-Forward Neural Network (FFNN)就行鸢尾花分类的模型训练和评估，在拿到150条鸢尾花的特征和分类结果后，我们先训练出模型，再评估模型的效果：

文章图片

源码下载

本篇实战中的完整源码可在GitHub下载到，地址和链接信息如下表所示(https://github.com/zq2599/blo...)：

名称	链接	备注
项目主页	https://github.com/zq2599/blo...	该项目在GitHub上的主页
git仓库地址(https)	https://github.com/zq2599/blo...	该项目源码的仓库地址，https协议
git仓库地址(ssh)	git@github.com:zq2599/blog_demos.git	该项目源码的仓库地址，ssh协议

这个git项目中有多个文件夹，《DL4J实战》系列的源码在dl4j-tutorials文件夹下，如下图红框所示：

文章图片

dl4j-tutorials文件夹下有多个子工程，本次实战代码在dl4j-tutorials目录下，如下图红框：

文章图片

编码

在dl4j-tutorials工程下新建子工程classifier-iris，其pom.xml如下：

dlfj-tutorials com.bolingcavalry 1.0-SNAPSHOT 4.0.0classifier-iris8 8 com.bolingcavalry commons ${project.version} org.projectlombok lombok org.nd4j ${nd4j.backend} ch.qos.logback logback-classic

上述pom.xml有一处需要注意的地方，就是${nd4j.backend}参数的值，该值在决定了后端线性代数计算是用CPU还是GPU，本篇为了简化操作选择了CPU（因为个人的显卡不同，代码里无法统一），对应的配置就是nd4j-native；
源码全部在Iris.java文件中，并且代码中已添加详细注释，就不再赘述了：

package com.bolingcavalry.classifier; import com.bolingcavalry.commons.utils.DownloaderUtility; import lombok.extern.slf4j.Slf4j; import org.datavec.api.records.reader.RecordReader; import org.datavec.api.records.reader.impl.csv.CSVRecordReader; import org.datavec.api.split.FileSplit; import org.deeplearning4j.datasets.datavec.RecordReaderDataSetIterator; import org.deeplearning4j.nn.conf.MultiLayerConfiguration; import org.deeplearning4j.nn.conf.NeuralNetConfiguration; 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.evaluation.classification.Evaluation; import org.nd4j.linalg.activations.Activation; import org.nd4j.linalg.api.ndarray.INDArray; import org.nd4j.linalg.dataset.DataSet; import org.nd4j.linalg.dataset.SplitTestAndTrain; import org.nd4j.linalg.dataset.api.iterator.DataSetIterator; import org.nd4j.linalg.dataset.api.preprocessor.DataNormalization; import org.nd4j.linalg.dataset.api.preprocessor.NormalizerStandardize; import org.nd4j.linalg.learning.config.Sgd; import org.nd4j.linalg.lossfunctions.LossFunctions; import java.io.File; /** * @author will (zq2599@gmail.com) * @version 1.0 * @description: 鸢尾花训练 * @date 2021/6/13 17:30 */ @SuppressWarnings("DuplicatedCode") @Slf4j public class Iris {public static void main(String[] args) throwsException {//第一阶段：准备// 跳过的行数，因为可能是表头 int numLinesToSkip = 0; // 分隔符 char delimiter = ','; // CSV读取工具 RecordReader recordReader = new CSVRecordReader(numLinesToSkip,delimiter); // 下载并解压后，得到文件的位置 String dataPathLocal = DownloaderUtility.IRISDATA.Download(); log.info("鸢尾花数据已下载并解压至 : {}", dataPathLocal); // 读取下载后的文件 recordReader.initialize(new FileSplit(new File(dataPathLocal,"iris.txt"))); // 每一行的内容大概是这样的：5.1,3.5,1.4,0.2,0 // 一共五个字段，从零开始算的话，标签在第四个字段 int labelIndex = 4; // 鸢尾花一共分为三类 int numClasses = 3; // 一共150个样本 int batchSize = 150; //Iris data set: 150 examples total. We are loading all of them into one DataSet (not recommended for large data sets)// 加载到数据集迭代器中 DataSetIterator iterator = new RecordReaderDataSetIterator(recordReader,batchSize,labelIndex,numClasses); DataSet allData = https://www.it610.com/article/iterator.next(); // 洗牌（打乱顺序） allData.shuffle(); // 设定比例，150个样本中，百分之六十五用于训练 SplitTestAndTrain testAndTrain = allData.splitTestAndTrain(0.65); //Use 65% of data for training// 训练用的数据集 DataSet trainingData = testAndTrain.getTrain(); // 验证用的数据集 DataSet testData = testAndTrain.getTest(); // 指定归一化器：独立地将每个特征值（和可选的标签值）归一化为0平均值和1的标准差。 DataNormalization normalizer = new NormalizerStandardize(); // 先拟合 normalizer.fit(trainingData); // 对训练集做归一化 normalizer.transform(trainingData); // 对测试集做归一化 normalizer.transform(testData); // 每个鸢尾花有四个特征 final int numInputs = 4; // 共有三种鸢尾花 int outputNum = 3; // 随机数种子 long seed = 6; //第二阶段：训练 log.info("开始配置..."); MultiLayerConfiguration conf = new NeuralNetConfiguration.Builder() .seed(seed) .activation(Activation.TANH)// 激活函数选用标准的tanh(双曲正切) .weightInit(WeightInit.XAVIER)// 权重初始化选用XAVIER：均值 0, 方差为 2.0/(fanIn + fanOut)的高斯分布 .updater(new Sgd(0.1))// 更新器，设置SGD学习速率调度器 .l2(1e-4)// L2正则化配置 .list()// 配置多层网络 .layer(new DenseLayer.Builder().nIn(numInputs).nOut(3)// 隐藏层 .build()) .layer(new DenseLayer.Builder().nIn(3).nOut(3)// 隐藏层 .build()) .layer( new OutputLayer.Builder(LossFunctions.LossFunction.NEGATIVELOGLIKELIHOOD)// 损失函数：负对数似然 .activation(Activation.SOFTMAX)// 输出层指定激活函数为：SOFTMAX .nIn(3).nOut(outputNum).build()) .build(); // 模型配置 MultiLayerNetwork model = new MultiLayerNetwork(conf); // 初始化 model.init(); // 每一百次迭代打印一次分数（损失函数的值） model.setListeners(new ScoreIterationListener(100)); long startTime = System.currentTimeMillis(); log.info("开始训练"); // 训练 for(int i=0; i<1000; i++ ) { model.fit(trainingData); } log.info("训练完成，耗时[{}]ms", System.currentTimeMillis()-startTime); // 第三阶段：评估// 在测试集上评估模型 Evaluation eval = new Evaluation(numClasses); INDArray output = model.output(testData.getFeatures()); eval.eval(testData.getLabels(), output); log.info("评估结果如下\n" + eval.stats()); } }