deeplearning4j~实现简单模型训练和测试

DeepLearning4j (DL4J) 是一个开源的深度学习库，专为 Java 和 Scala 设计。它可以用于构建、训练和部署深度学习模型。以下是关于如何使用 DL4J 的基本指南以及一个简单的模型训练示例。

本例中使用了MNIST数据集，MNIST（modified national institute of standard and technology）数据集是由Yann LeCun及其同事于1994年创建一个大型手写数字数据库（包含0~9十个数字）。MNIST数据集的原始数据来源于美国国家标准和技术研究院（national institute of standard and technology）的两个数据集：special database 1和special database 3。它们分别由NIST的员工和美国高中生手写的0-9的数字组成。原始的这两个数据集由128×128像素的黑白图像组成。LeCun等人将其进行归一化和尺寸调整后得到的是28×28的灰度图像。

DeepLearning4j 使用指南

安装与配置

1. 环境要求

   • Java Development Kit (JDK) 8 或以上版本
   • Maven（推荐）或 Gradle 用于项目管理

2. 创建 Maven 项目
   
   在你的 IDE 中创建一个新的 Maven 项目，并在 pom.xml 文件中添加以下依赖：

   <dependencies>
       <!-- DL4J Core -->
       <dependency>
           <groupId>org.deeplearning4j</groupId>
           <artifactId>deeplearning4j-core</artifactId>
           <version>1.0.0-M1.1</version>
       </dependency>
       <!-- ND4J (Numpy for Java) -->
       <dependency>
           <groupId>org.nd4j</groupId>
           <artifactId>nd4j-native-platform</artifactId>
           <version>1.0.0-M1.1</version>
       </dependency>
       <!-- DataVec for data preprocessing -->
       <dependency>
           <groupId>org.datavec</groupId>
           <artifactId>datavec-api</artifactId>
           <version>1.0.0-M1.1</version>
       </dependency>
   </dependencies>
   

3. 更新 Maven 依赖
   
   确保你的 IDE 更新了 Maven 依赖，下载所需的库。

简单的模型训练

下面是一个使用 DL4J 训练简单神经网络的示例，目标是对手写数字进行分类（MNIST 数据集）。

代码示例

import org.deeplearning4j.datasets.iterator.impl.MnistDataSetIterator;
import org.deeplearning4j.nn.conf.MultiLayerConfiguration;
import org.deeplearning4j.nn.conf.NeuralNetConfiguration;
import org.deeplearning4j.nn.multilayer.MultiLayerNetwork;
import org.deeplearning4j.optimize.listeners.ScoreIterationListener;
import org.nd4j.linalg.activations.Activation;
import org.nd4j.linalg.dataset.api.iterator.DataSetIterator;
import org.nd4j.linalg.learning.config.Adam;
import org.nd4j.linalg.lossfunctions.LossFunctions;

public class MnistExample {
    public static void main(String[] args) throws Exception {
        // 加载 MNIST 数据集
        DataSetIterator mnistTrain = new MnistDataSetIterator(128, true, 12345);

        // 配置神经网络
        MultiLayerConfiguration conf = new NeuralNetConfiguration.Builder()
                .seed(123)
                .updater(new Adam(0.001))
                .list()
                .layer(0, new DenseLayer.Builder().nIn(784).nOut(256)
                        .activation(Activation.RELU)
                        .build())
                .layer(1, new OutputLayer.Builder(LossFunctions.LossFunction.NEGATIVELOGLIKELIHOOD)
                        .activation(Activation.SOFTMAX)
                        .nIn(256).nOut(10).build())
                .build();

        // 创建并初始化网络
        MultiLayerNetwork model = new MultiLayerNetwork(conf);
        model.init();
        model.setListeners(new ScoreIterationListener(100));  // 每100次迭代输出一次分数

        // 训练模型
        for (int i = 0; i < 10; i++) { // 训练10个epoch
            model.fit(mnistTrain);
        }

        System.out.println("训练完成！");

        // 加载 MNIST 测试数据集
        DataSetIterator mnistTest = new MnistDataSetIterator(128, false, 12345);

        // 评估模型
        double accuracy = model.evaluate(mnistTest).accuracy();
        System.out.println("模型准确率: " + accuracy);

        // 保存模型到文件
        File modelFile = new File("mnist_model.zip");
        ModelSerializer.writeModel(model, modelFile, true);
    }
}

代码说明

1. 加载数据集：使用 MnistDataSetIterator 加载 MNIST 数据集。
2. 配置神经网络：
   • 使用 NeuralNetConfiguration.Builder 构建神经网络配置。
   • 添加输入层（DenseLayer）和输出层（OutputLayer）。
3. 创建和初始化模型：使用 MultiLayerNetwork 创建模型并初始化。
4. 训练模型：通过循环调用 fit() 方法训练模型。

运行示例

确保你的环境已正确设置，然后运行上述代码。模型将在 MNIST 数据集上进行训练，训练完成后会输出“训练完成！”的信息。

模型评估

在训练完模型后，通常需要对其进行评估，以了解模型在未见数据上的表现。你可以使用测试集来评估模型的准确性和其他性能指标。

保存与加载模型

训练完成后，你可能希望保存模型以便以后使用。DL4J 提供了简单的方法来保存和加载模型。

调整与优化模型

根据评估结果，你可能需要调整模型的超参数或架构。可以尝试以下方法：

• 增加层数或节点数：增加模型的复杂性。
• 改变学习率：试验不同的学习率以找到最佳值。
• 使用不同的激活函数：例如，尝试 LeakyReLU 或 ELU。
• 正则化：添加 Dropout 层或 L2 正则化以防止过拟合。

部署模型

如果你打算将模型应用于生产环境，可以考虑将其部署为服务。可以使用以下方式之一：

• REST API：将模型包装为 RESTful 服务，方便客户端调用。
• 嵌入式应用：将模型嵌入到 Java 应用程序中，直接进行预测。

模型的测试

使用 Java 和 DeepLearning4j 来训练自己的手写数字图像（例如 0 到 9 的标准图像）是一个很好的项目。下面是一个简单的步骤指南，帮助你实现这个目标。

步骤概述

1. 准备数据：将你的数字图像准备为合适的格式。
2. 创建和配置模型：使用 DeepLearning4j 创建神经网络模型。
3. 训练模型：使用你的图像数据训练模型。
4. 评估和测试模型：验证模型的性能。

1. 准备数据

首先，你需要将你的 0-9 数字图像准备好。假设你有 10 张图像，每张图像都是 28x28 像素的灰度图像，并且它们存储在本地文件系统中。

模型测试的步骤

步骤 1: 使用 MNIST 数据集训练模型

1. 加载数据集：使用 MnistDataSetIterator 加载 MNIST 数据集。
2. 构建模型：根据你的需求，构建一个适合的神经网络模型。
3. 训练模型：使用 MNIST 数据集对模型进行训练。
4. 保存模型：将训练好的模型保存到文件中（例如，保存为 .zip 文件）。

步骤 2: 准备手写数字图片

1. 手写数字：自己手写一个数字 1，并拍照或扫描成图片。
2. 预处理图片：
   • 将图片转换为灰度图像。
   • 调整图片大小为 28x28 像素（MNIST 数据集中的标准尺寸）。
   • 对图像进行归一化处理（通常将像素值缩放到 [0, 1] 范围内）。

步骤 3: 比较手写数字与 MNIST 数据集

1. 加载保存的模型：从 zip 文件中加载之前训练好的模型。
2. 预测手写数字：将预处理后的手写数字图片输入到模型中进行预测。
3. 输出结果：模型将输出手写数字的预测结果。你可以将这个结果与 MNIST 数据集中相应的标签进行比较。

注意事项

• 数据预处理：确保手写数字的预处理方式与训练时一致，包括图像大小、颜色通道和归一化。
• 模型评估：在比较之前，可以先在测试集上评估模型的性能，以确保其准确性。
• 可视化结果：可以通过可视化工具（如 matplotlib）展示手写数字及其预测结果，以便更好地理解模型的表现。

示例代码

以下是一个简单的示例代码框架，展示了如何实现这些步骤

[MnistUtils.java]

/**
 * @author lind
 * @date 2025/1/7 14:27
 * @since 1.0.0
 */
public class MnistUtils {
    /**
     * 将图像转换为灰度图像
     *
     * @param original
     * @return
     */
    private static BufferedImage convertToGrayscale(BufferedImage original) {
        BufferedImage grayImage = new BufferedImage(original.getWidth(), original.getHeight(), BufferedImage.TYPE_BYTE_GRAY);
        Graphics g = grayImage.getGraphics();
        g.drawImage(original, 0, 0, null);
        g.dispose();
        return grayImage;
    }

    /**
     * 调整图像大小
     *
     * @param original
     * @param width
     * @param height
     * @return
     */
    private static BufferedImage resizeImage(BufferedImage original, int width, int height) {
        Image scaledImage = original.getScaledInstance(width, height, Image.SCALE_SMOOTH);
        BufferedImage resizedImage = new BufferedImage(width, height, BufferedImage.TYPE_BYTE_GRAY);
        Graphics2D g2d = resizedImage.createGraphics();
        g2d.drawImage(scaledImage, 0, 0, null);
        g2d.dispose();
        return resizedImage;
    }

    /**
     * 加载图像
     *
     * @param fileName
     * @return
     */
    public static INDArray loadGrayImg(String fileName) {
        try {
            // 1. 加载图片
            BufferedImage originalImage = ImageIO.read(new File(fileName));
            // 2. 转换为灰度图像
            BufferedImage grayImage = convertToGrayscale(originalImage);
            // 3. 调整大小为 28x28 像素
            BufferedImage resizedImage = resizeImage(grayImage, 28, 28);
            // 4. 进行归一化处理
            return normalizeImage(resizedImage);
        } catch (IOException e) {
            e.printStackTrace();
        }
        return null;
    }

    /**
     * 对图像进行归一化处理并生成 INDArray
     *
     * @param image
     * @return
     */
    private static INDArray normalizeImage(BufferedImage image) {
        int width = image.getWidth();
        int height = image.getHeight();
        double[] normalizedData = new double[width * height]; // 创建一维数组

        for (int y = 0; y < height; y++) {
            for (int x = 0; x < width; x++) {
                // 获取灰度值（0-255）
                int grayValue = image.getRGB(x, y) & 0xFF; // 只取灰度部分
                // 归一化到 [0, 1] 范围
                normalizedData[y * width + x] = grayValue / 255.0; // 填充一维数组
            }
        }

        // 将一维数组转换为 INDArray，并添加批次维度
        INDArray indArray = Nd4j.create(normalizedData).reshape(1, 784); // reshape to [1, 784]
        return indArray;
    }
}

[MnistTest.java]

public static void main(String[] args) throws IOException {
        // 加载已训练的模型
        MultiLayerNetwork model = MultiLayerNetwork.load(new File("E:\\github\\lind-deeplearning4j\\mnist_model.zip"), true);
        // 测试图像路径
        String testImagePath = "d:\\dlj4\\img\\";
        // 假设你有10个测试图像，命名为 0.png 到 9.png，当我从MNIST数据集网站下载9张图片后，这个大模型确实可以给我识别出来
        for (int i = 0; i <= 3; i++) {
            String fileName = testImagePath + i + ".png";
            System.out.println("fileName=" + fileName);
            INDArray testImage = loadGrayImg(fileName);
            INDArray output = model.output(testImage); // 进行预测

            // 获取预测结果
            int predictedClass = Nd4j.argMax(output, 1).getInt(0);
            System.out.println("测试图像 " + i + " 的预测结果: " + predictedClass);
        }
    }

模型测试结果，它会根据0-3的图片，将图片上面的数字分析出来，这个事实上是根据我们训练的MINIST数据集得到的结果