java神經網路開源

㈣ 如何用Java開始機器學習

說到如何開始使用 Java 機器學習這個問題，相信對於從事Java開發的人來說是非常重要的，也是這段時間幾乎每個人都在談論人工智慧和機器學習，這已經不再是一個保留給科學家和研究者的秘密，而是幾乎實現於每一項新興技術中。
人類的人工智慧人工智慧在一段時間以來是一個廣泛並且炫酷的領域，但總是感覺有點難以觸及，是特意為科學家所做。如果你想創造一個人工智慧系統，你必須實現你自己的核心演算法，並且訓練它們能識別模式，理解圖像並且處理自然語言。

那麼，如何使用 Java 機器學習，提升應用的機器學習能力呢?
讓機器運轉為了更簡單的闡述，以下幾個項目可以幫助你：
1.Deeplearning4J (DL4J) –開源，分布式，JVM的商業深度學習lib庫
2. BID Data Project –能夠運行快速、大規模的機器學習和數據挖掘的模式集合
3. Neuroph –面向對象的神經網路
DL4J – 深度學習
DL4J是一個能幫助你配置多層神經網路的工具。它為JVM提供了深度學習且伴隨快速原型設計和大規模定製，同時注重比配置更多的約定。DL4J 是由Java語言編寫的，可以兼容任何JVM語言。
BID Data Project (大數據項目)
大數據項目是由那些需要處理大量數據並且對性能敏感的人創建的。 UC Berkeley項目是由許多硬體、軟體和設計模式集合而成，能在上使用快速、大規模的數據挖掘。
Neuroph
neuroph是用來開發常用的神經網路構架的輕量級java框架。該框架提供了一個java庫以及一個GUI工具(稱為easyNeurons)，你可以用它來在java項目中創建和訓練自己的神經網路。
總結：每隔幾年就會有些關於人工智慧的新聲音。這一次，它伴隨著機器學習，數據挖掘，神經網路等等的強化來了，我們都很支持。這些類庫開源的事實意味著這些信息和能力正待價而沽，而你所有所做的是思考擁有這個能力可以做成什麼。

㈤ 卷積神經網路的Java實現有哪些

卷積神經網路有以下幾種應用可供研究：
1、基於卷積網路的形狀識別
物體的形狀是人的視覺系統分析和識別物體的基礎，幾何形狀是物體的本質特徵的表現，並具有平移、縮放和旋轉不變等特點，所以在模式識別領域，對於形狀的分析和識別具有十分重要的意義，而二維圖像作為三維圖像的特例以及組成部分，因此二維圖像的識別是三維圖像識別的基礎。
2、基於卷積網路的人臉檢測
卷積神經網路與傳統的人臉檢測方法不同，它是通過直接作用於輸入樣本，用樣本來訓練網路並最終實現檢測任務的。它是非參數型的人臉檢測方法，可以省去傳統方法中建模、參數估計以及參數檢驗、重建模型等的一系列復雜過程。本文針對圖像中任意大小、位置、姿勢、方向、膚色、面部表情和光照條件的人臉。
3、文字識別系統
在經典的模式識別中，一般是事先提取特徵。提取諸多特徵後，要對這些特徵進行相關性分析，找到最能代表字元的特徵，去掉對分類無關和自相關的特徵。然而，這些特徵的提取太過依賴人的經驗和主觀意識，提取到的特徵的不同對分類性能影響很大，甚至提取的特徵的順序也會影響最後的分類性能。同時，圖像預處理的好壞也會影響到提取的特徵。

㈥ 如何利用java庫學習神經網路

一個基本的用java編寫的BP網路代碼。BP（BackPropagation）神經網路是86年由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆傳播演算法訓練的多層前饋網路，是目前應用最廣泛的神經網路模型之一。BP網路能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網路的權值和閾值，使網路的誤差平方和最小。BP神經網路模型拓撲結構包括輸入層（input）、隱層(hiddenlayer)和輸出層(outputlayer)。

㈦ java可以寫人工智慧嗎

Java面向對象的神經網路(JOONE)是一開源工程，它提供給Java程序員一個高適應性的神經網路。該JOONE工程源代碼由LGPL所保護。簡言之，這意味著源代碼是可自由使用的而且你不需要支付版稅就可以使用JOONE。
JOONE能允許你輕易地從一個Java程序中創建神經網路。JOONE支持許多特徵，如多線程和分布式處理。這意味著JOONE能利用多處理機計算機和多台計算機的優勢來進行分布式處理。
神經網路
JOONE用Java實現了一個人工神經網路。一個人工神經網路試圖仿效生物學神經網路的功能--神經網路組成今天在地球上幾乎所有高等生命的大腦形式。神經網路由神經原組成

㈧ 求神經網路演算法的一個代碼示例（C、C++或java一類的）

在matlab里建立一個.m的M文件，把代碼輸進去，保存，運行就可以了。 演示程序是在command 里打demo就可以了找到了 . 你郵箱多少，我只有簡單的BP神經網路程序。

㈨ 如何用70行Java代碼實現神經網路演算法

如何用70行Java代碼實現神經網路演算法
import java.util.Random;
public class BpDeep{
public double[][] layer;//神經網路各層節點
public double[][] layerErr;//神經網路各節點誤差
public double[][][] layer_weight;//各層節點權重
public double[][][] layer_weight_delta;//各層節點權重動量
public double mobp;//動量系數
public double rate;//學習系數

public BpDeep(int[] layernum, double rate, double mobp){
this.mobp = mobp;
this.rate = rate;
layer = new double[layernum.length][];
layerErr = new double[layernum.length][];
layer_weight = new double[layernum.length][][];
layer_weight_delta = new double[layernum.length][][];
Random random = new Random();
for(int l=0;l<layernum.length;l++){
layer[l]=new double[layernum[l]];
layerErr[l]=new double[layernum[l]];
if(l+1<layernum.length){
layer_weight[l]=new double[layernum[l]+1][layernum[l+1]];
layer_weight_delta[l]=new double[layernum[l]+1][layernum[l+1]];
for(int j=0;j<layernum[l]+1;j++)
for(int i=0;i<layernum[l+1];i++)
layer_weight[l][j][i]=random.nextDouble();//隨機初始化權重
}
}
}
//逐層向前計算輸出
public double[] computeOut(double[] in){
for(int l=1;l<layer.length;l++){
for(int j=0;j<layer[l].length;j++){
double z=layer_weight[l-1][layer[l-1].length][j];
for(int i=0;i<layer[l-1].length;i++){
layer[l-1][i]=l==1?in[i]:layer[l-1][i];
z+=layer_weight[l-1][i][j]*layer[l-1][i];
}
layer[l][j]=1/(1+Math.exp(-z));
}
}
return layer[layer.length-1];
}
//逐層反向計算誤差並修改權重
public void updateWeight(double[] tar){
int l=layer.length-1;
for(int j=0;j<layerErr[l].length;j++)
layerErr[l][j]=layer[l][j]*(1-layer[l][j])*(tar[j]-layer[l][j]);

while(l-->0){
for(int j=0;j<layerErr[l].length;j++){
double z = 0.0;
for(int i=0;i<layerErr[l+1].length;i++){
z=z+l>0?layerErr[l+1][i]*layer_weight[l][j][i]:0;
layer_weight_delta[l][j][i]= mobp*layer_weight_delta[l][j][i]+rate*layerErr[l+1][i]*layer[l][j];//隱含層動量調整
layer_weight[l][j][i]+=layer_weight_delta[l][j][i];//隱含層權重調整
if(j==layerErr[l].length-1){
layer_weight_delta[l][j+1][i]= mobp*layer_weight_delta[l][j+1][i]+rate*layerErr[l+1][i];//截距動量調整
layer_weight[l][j+1][i]+=layer_weight_delta[l][j+1][i];//截距權重調整
}
}
layerErr[l][j]=z*layer[l][j]*(1-layer[l][j]);//記錄誤差
}
}
}

public void train(double[] in, double[] tar){
double[] out = computeOut(in);
updateWeight(tar);
}
}