DL4J實戰之二：鳶尾花分類

語言: CN / TW / HK

時間 2021-10-02 22:28:06 SegmentFault

主題: Git 神經網路

歡迎訪問我的GitHub

http://github.com/zq2599/blog_demos

內容：所有原創文章分類彙總及配套原始碼，涉及Java、Docker、Kubernetes、DevOPS等；

本篇概覽

本文是《DL4J》實戰的第二篇，前面做好了準備工作，接下來進入正式實戰，本篇內容是經典的入門例子：鳶尾花分類
下圖是一朵鳶尾花，我們可以測量到它的四個特徵：花瓣（petal）的寬和高，花萼（sepal）的寬和高：

鳶尾花有三種：Setosa、Versicolor、Virginica
今天的實戰是用前饋神經網路Feed-Forward Neural Network (FFNN)就行鳶尾花分類的模型訓練和評估，在拿到150條鳶尾花的特徵和分類結果後，我們先訓練出模型，再評估模型的效果：

原始碼下載

本篇實戰中的完整原始碼可在GitHub下載到，地址和連結資訊如下表所示( http://github.com/zq2599/blo... )：

名稱	連結	備註
專案主頁	http://github.com/zq2599/blo...	該專案在GitHub上的主頁
git倉庫地址(https)	http://github.com/zq2599/blo...	該專案原始碼的倉庫地址，https協議
git倉庫地址(ssh)	[email protected] :zq2599/blog_demos.git	該專案原始碼的倉庫地址，ssh協議

這個git專案中有多個資料夾，《DL4J實戰》系列的原始碼在dl4j-tutorials資料夾下，如下圖紅框所示：

dl4j-tutorials資料夾下有多個子工程，本次實戰程式碼在dl4j-tutorials目錄下，如下圖紅框：

編碼

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

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
         xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
         xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
    <parent>
        <artifactId>dlfj-tutorials</artifactId>
        <groupId>com.bolingcavalry</groupId>
        <version>1.0-SNAPSHOT</version>
    </parent>
    <modelVersion>4.0.0</modelVersion>

    <artifactId>classifier-iris</artifactId>

    <properties>
        <maven.compiler.source>8</maven.compiler.source>
        <maven.compiler.target>8</maven.compiler.target>
    </properties>

    <dependencies>
        <dependency>
            <groupId>com.bolingcavalry</groupId>
            <artifactId>commons</artifactId>
            <version>${project.version}</version>
        </dependency>

        <dependency>
            <groupId>org.projectlombok</groupId>
            <artifactId>lombok</artifactId>
        </dependency>

        <dependency>
            <groupId>org.nd4j</groupId>
            <artifactId>${nd4j.backend}</artifactId>
        </dependency>

        <dependency>
            <groupId>ch.qos.logback</groupId>
            <artifactId>logback-classic</artifactId>
        </dependency>
    </dependencies>
</project>

上述pom.xml有一處需要注意的地方，就是${nd4j.backend}引數的值，該值在決定了後端線性代數計算是用CPU還是GPU，本篇為了簡化操作選擇了CPU（因為個人的顯示卡不同，程式碼裡無法統一），對應的配置就是nd4j-native；
原始碼全部在Iris.java檔案中，並且程式碼中已新增詳細註釋，就不再贅述了：

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 ([email protected])
 * @version 1.0
 * @description: 鳶尾花訓練
 * @date 2021/6/13 17:30
 */
@SuppressWarnings("DuplicatedCode")
@Slf4j
public class Iris {

    public static void main(String[] args) throws  Exception {

        //第一階段：準備

        // 跳過的行數，因為可能是表頭
        int numLinesToSkip = 0;
        // 分隔符
        char delimiter = ',';

        // CSV讀取工具
        RecordReader recordReader = new CSVRecordReader(numLinesToSkip,delimiter);

        // 下載並解壓後，得到檔案的位置
        String dataPathLocal = DownloaderUtility.IRISDATA.Download();

        log.info("鳶尾花資料已下載並解壓至 : {}", dataPathLocal);

        // 讀取下載後的檔案
        recordReader.initialize(new FileSplit(new File(dataPathLocal,"iris.txt")));

        // 每一行的內容大概是這樣的：5.1,3.5,1.4,0.2,0
        // 一共五個欄位，從零開始算的話，標籤在第四個欄位
        int labelIndex = 4;

        // 鳶尾花一共分為三類
        int numClasses = 3;

        // 一共150個樣本
        int batchSize = 150;    //Iris data set: 150 examples total. We are loading all of them into one DataSet (not recommended for large data sets)

        // 載入到資料集迭代器中
        DataSetIterator iterator = new RecordReaderDataSetIterator(recordReader,batchSize,labelIndex,numClasses);

        DataSet allData = iterator.next();

        // 洗牌（打亂順序）
        allData.shuffle();

        // 設定比例，150個樣本中，百分之六十五用於訓練
        SplitTestAndTrain testAndTrain = allData.splitTestAndTrain(0.65);  //Use 65% of data for training

        // 訓練用的資料集
        DataSet trainingData = testAndTrain.getTrain();

        // 驗證用的資料集
        DataSet testData = testAndTrain.getTest();

        // 指定歸一化器：獨立地將每個特徵值（和可選的標籤值）歸一化為0平均值和1的標準差。
        DataNormalization normalizer = new NormalizerStandardize();

        // 先擬合
        normalizer.fit(trainingData);

        // 對訓練集做歸一化
        normalizer.transform(trainingData);

        // 對測試集做歸一化
        normalizer.transform(testData);

        // 每個鳶尾花有四個特徵
        final int numInputs = 4;

        // 共有三種鳶尾花
        int outputNum = 3;

        // 隨機數種子
        long seed = 6;

        //第二階段：訓練
        log.info("開始配置...");
        MultiLayerConfiguration conf = new NeuralNetConfiguration.Builder()
            .seed(seed)
            .activation(Activation.TANH)       // 啟用函式選用標準的tanh(雙曲正切)
            .weightInit(WeightInit.XAVIER)     // 權重初始化選用XAVIER：均值 0, 方差為 2.0/(fanIn + fanOut)的高斯分佈
            .updater(new Sgd(0.1))  // 更新器，設定SGD學習速率排程器
            .l2(1e-4)                          // L2正則化配置
            .list()                            // 配置多層網路
            .layer(new DenseLayer.Builder().nIn(numInputs).nOut(3)  // 隱藏層
                .build())
            .layer(new DenseLayer.Builder().nIn(3).nOut(3)          // 隱藏層
                .build())
            .layer( new OutputLayer.Builder(LossFunctions.LossFunction.NEGATIVELOGLIKELIHOOD)   // 損失函式：負對數似然
                .activation(Activation.SOFTMAX)                     // 輸出層指定啟用函式為：SOFTMAX
                .nIn(3).nOut(outputNum).build())
            .build();

        // 模型配置
        MultiLayerNetwork model = new MultiLayerNetwork(conf);

        // 初始化
        model.init();

        // 每一百次迭代列印一次分數（損失函式的值）
        model.setListeners(new ScoreIterationListener(100));

        long startTime = System.currentTimeMillis();

        log.info("開始訓練");
        // 訓練
        for(int i=0; i<1000; i++ ) {
            model.fit(trainingData);
        }
        log.info("訓練完成，耗時[{}]ms", System.currentTimeMillis()-startTime);

        // 第三階段：評估

        // 在測試集上評估模型
        Evaluation eval = new Evaluation(numClasses);
        INDArray output = model.output(testData.getFeatures());
        eval.eval(testData.getLabels(), output);

        log.info("評估結果如下\n" + eval.stats());
    }
}

編碼完成後，執行main方法，可見順利完成訓練並輸出了評估結果，還有混淆矩陣用於輔助分析：

至此，咱們的第一個實戰就完成了，通過經典例項體驗的DL4J訓練和評估的常規步驟，對重要API也有了初步認識，接下來會繼續實戰，接觸到更多的經典例項；

你不孤單，欣宸原創一路相伴

「其他文章」