DL4J实战之二：鸢尾花分类

悠悠 2022-10-06 14:56 225阅读 0赞

### 欢迎访问我的GitHub ###

> 这里分类和汇总了欣宸的全部原创(含配套源码)：[https://github.com/zq2599/blog\_demos][https_github.com_zq2599_blog_demos]

### 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：  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2JvbGluZ19jYXZhbHJ5_size_16_color_FFFFFF_t_70_pic_center]
 *  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：  
    ![在这里插入图片描述][20210614155734358.png_pic_center]

### 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/blog\_demos)：

<table> 
 <thead> 
  <tr> 
   <th align="left">名称</th> 
   <th align="left">链接</th> 
   <th align="left">备注</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td align="left">项目主页</td> 
   <td align="left">https://github.com/zq2599/blog_demos</td> 
   <td align="left">该项目在GitHub上的主页</td> 
  </tr> 
  <tr> 
   <td align="left">git仓库地址(https)</td> 
   <td align="left">https://github.com/zq2599/blog_demos.git</td> 
   <td align="left">该项目源码的仓库地址，https协议</td> 
  </tr> 
  <tr> 
   <td align="left">git仓库地址(ssh)</td> 
   <td align="left">git@github.com:zq2599/blog_demos.git</td> 
   <td align="left">该项目源码的仓库地址，ssh协议</td> 
  </tr> 
 </tbody> 
</table>

*  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：  
    ![在这里插入图片描述][20210614114655964.png_pic_center]
 *  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：  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2JvbGluZ19jYXZhbHJ5_size_16_color_FFFFFF_t_70_pic_center 1]

### 编码 ###

*  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) throws  Exception { 
    
            //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 = 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());
        }
    }

*  编码完成后，运行main方法，可见顺利完成训练并输出了评估结果，还有混淆矩阵用于辅助分析：  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2JvbGluZ19jYXZhbHJ5_size_16_color_FFFFFF_t_70_pic_center 2]
 *  至此，咱们的第一个实战就完成了，通过经典实例体验的DL4J训练和评估的常规步骤，对重要API也有了初步认识，接下来会继续实战，接触到更多的经典实例；

### 你不孤单，欣宸原创一路相伴 ###

1.  [Java系列][Java]
2.  [Spring系列][Spring]
3.  [Docker系列][Docker]
4.  [kubernetes系列][kubernetes]
5.  [数据库+中间件系列][Link 1]
6.  [DevOps系列][DevOps]

[https_github.com_zq2599_blog_demos]: https://github.com/zq2599/blog_demos
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2JvbGluZ19jYXZhbHJ5_size_16_color_FFFFFF_t_70_pic_center]: /images/20221005/1663c6aedd364992951763562d280a4a.png
[20210614155734358.png_pic_center]: /images/20221005/ab671504233d43a3bd55517d8fe19434.png
[20210614114655964.png_pic_center]: /images/20221005/67defcb38549483ab247a930ec9afdb3.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2JvbGluZ19jYXZhbHJ5_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20221005/06a504bc25eb410fa2fc90fd0999ea6b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2JvbGluZ19jYXZhbHJ5_size_16_color_FFFFFF_t_70_pic_center 2]: /images/20221005/db8366b53ae4418092863fca2bba76db.png
[Java]: https://xinchen.blog.csdn.net/article/details/105068742
[Spring]: https://xinchen.blog.csdn.net/article/details/105086498
[Docker]: https://xinchen.blog.csdn.net/article/details/105086732
[kubernetes]: https://xinchen.blog.csdn.net/article/details/105086794
[Link 1]: https://xinchen.blog.csdn.net/article/details/105086850
[DevOps]: https://xinchen.blog.csdn.net/article/details/105086920