java写卷积神经网络(CupCnn简介)
前言
在机器学习中，卷积神经网络是一种深度前馈人工神经网络，已成功地应用于图像识别。目前，很多的车牌识号识别，人脸识别等都采用卷积神经网络，可以说卷积神经网络在图像识别方面取得了巨大的成功。当前开源的深度学习框架有很多了，比如caffe,tensorflow,torch等，这些深度学习框架包含了完善的卷积神经网络的实现，那么，为什么我们还要自己写卷积神经网络？直接用这些开源的深度学习框架多好，又快又省事，性能好稳定，bug少。是的，如果你只是使用卷积神经网络做一些应用，并不在意它的工作原理，那你大可不必自己费神费力的写卷积神经网络，可如果你想完全掌握卷积神经网络的工作原理，古人云：纸上得来终觉浅，觉知此时要躬行。所以，你很有必要自己实现一遍卷积神经网络，从而加深对它的认识。
什么是cupcnn
cupcnn是个用java写的卷积神经网络，我在工作之余，为了加深对卷积神经网络的认识，实现了它。它足够简洁，表现也不错，非常适合初学者参考使用。它的源码可以从github下载：cupcnn
你不用担心它的协议什么的限制，您可以用它来做任何事，任意修改它，如果它能对你有所帮助，希望能给个星星！！！
^-^^-^^-^
设计的思路
我希望它是以足够简单的神经网络，这样有利于初学者学习。所以我没有实现那些并发加速的东西，这保证的代码的简介性。设计的时候，我将卷积神经网络分为四个模块：network（layer blob loss active），这点可以从包名中看出来。layer,loss,active都有一个基类，整个神经网络的编程都是面向基类的。network是综合这四个模块，统筹和调度资源的中心，每个layer都会有一个network的实例，这样可以轻松的通过network获得各种数据，比如获取每一层的输出，diff等。
设计框图如下：
参数的保存对于java而言就非常简单了，实现serializable接口就可以快速实现参数的序列化和反序列化。cupcnn只对data目录下的blob和blobparams两个实现了serializable接口，所有的参数都由这两个实现。
目前的表现
全连接神经网络
目前，在mnist数据集上，全连接神经网络（全连接（100）+全连接（30）+全连接（10）+softmax），训练30个epoes,准确率为96.76
卷积神经网络
卷积神经网络（6个特征）+最大值池化+卷积（6个特征）+全连接（512）+全连接（30）+全连接（10）+softmax）,在学习速率为0.2的情况下，训练30个epoes,准确率为97.79.我相信经过进一步参数调优，在充分训练的情况下，准确率能达到更高。
卷积神经网络训练快照如下：
begin train
epoe: 0 lossvalue: 2.3019369891560455 lr: 0.2 accuracy is 0.13
epoe: 0 lossvalue: 2.0722489482105195 lr: 0.2 accuracy is 0.44
epoe: 0 lossvalue: 1.2423286194012682 lr: 0.2 accuracy is 0.72
epoe: 0 lossvalue: 0.7860529560675255 lr: 0.2 accuracy is 0.79
epoe: 0 lossvalue: 0.6272194196176664 lr: 0.2 accuracy is 0.87
epoe: 0 lossvalue: 0.5240051326725808 lr: 0.2 accuracy is 0.84
epoe: 0 lossvalue: 0.27637563581928026 lr: 0.2 accuracy is 0.95
epoe: 0 lossvalue: 0.35585388987055083 lr: 0.2 accuracy is 0.92
epoe: 0 lossvalue: 0.441971528417802 lr: 0.2 accuracy is 0.92
epoe: 0 lossvalue: 0.25637710325999674 lr: 0.2 accuracy is 0.95
epoe: 0 lossvalue: 0.39872273532502 lr: 0.2 accuracy is 0.9
epoe: 1 lossvalue: 0.264085484522027 lr: 0.16000000000000003 accuracy is 0.91
epoe: 1 lossvalue: 0.22754066024803088 lr: 0.16000000000000003 accuracy is 0.96
epoe: 1 lossvalue: 0.30256420975577103 lr: 0.16000000000000003 accuracy is 0.96
epoe: 1 lossvalue: 0.18149648622985948 lr: 0.16000000000000003 accuracy is 0.99
epoe: 1 lossvalue: 0.177239938748327 lr: 0.16000000000000003 accuracy is 0.96
epoe: 1 lossvalue: 0.15041993009777443 lr: 0.16000000000000003 accuracy is 0.98
epoe: 1 lossvalue: 0.10759545752665524 lr: 0.16000000000000003 accuracy is 1.0
cupcnn的使用
目前，cupcnn实现了mnist数据集上的测试，在src/test下，mnisttest是main函数的入口，具体的神经网络的搭建在mnistnetwork类中。在mnistnetwork类中，buildconvnetwork和buildfcnetwork分别实现
了搭建卷积神经网络和搭建全连接神经网络。得益于java良好的跨平台属性，你下载完cupcnn的源码后，使用eclipse打开该项目，然后直接运行，应该就能开始在mnist数据集上训练和测试了。
构建神经网络
public void buildnetwork(){
//首先构建神经网络对象，并设置参数
network = new network();
network.setbatch(100);
network.setloss(new loglikehoodloss());
//network.setloss(new crossentropyloss());
optimizer = new sgdoptimizer(0.2);
network.setoptimizer(optimizer);
//buildfcnetwork();
buildconvnetwork();
network.prepare();
}
setbatch（）函数设置一个批次里有多少张图片。
setloss（）设置要是用的损失函数。cupcnn实现了交叉熵损失函数和对数似然损失函数。
setoptimizer（）设置要是用的优化器。cupcnn只实现了sgd优化器，如果您实现了更好的优化器，并且愿意提交到cupcnn,那本人深表欢迎。
构建全连接神经网络
private void buildfcnetwork(){
//给network添加网络层
inputlayer layer1 = new inputlayer(network,new blobparams(network.getbatch(),1,28,28));
network.addlayer(layer1);
fullconnectionlayer layer2 = new fullconnectionlayer(network,new blobparams(network.getbatch(),784,1,1));
layer2.setactivationfunc(new reluactivationfunc());
network.addlayer(layer2);
fullconnectionlayer layer3 = new fullconnectionlayer(network,new blobparams(network.getbatch(),100,1,1));
layer3.setactivationfunc(new reluactivationfunc());
network.addlayer(layer3);
fullconnectionlayer layer4 = new fullconnectionlayer(network,new blobparams(network.getbatch(),30,1,1));
layer4.setactivationfunc(new sigmodactivationfunc());
network.addlayer(layer4);
fullconnectionlayer layer5 = new fullconnectionlayer(network,new blobparams(network.getbatch(),10,1,1));
layer5.setactivationfunc(new reluactivationfunc());
network.addlayer(layer5);
softmaxlayer sflayer = new softmaxlayer(network,new blobparams(network.getbatch(),10,1,1));
network.addlayer(sflayer);
}
正如上面代码展示的一样，每一个layer都需要一个network,它是network的实例，network是全局的管理者和资源的调度者，有了network的引用，我们可以轻易的获得到每一层的输出的数据，输出的误差等。此外，每一层都需要一个指定当前层输出数据块大小的参数，该参数告诉某一层你需要输出多少数据。比如神经网络的最后一层是softmaxlayer ，它需要输出到底是哪个数字，这个数字用长度为10的向量表示，比如数字7，那么softmaxlayer 应该输出第8个元素的值为1，其他元素的值为0。卷积层和池化层需要更多的参数，因为他们都有一个kernel,对卷积层而言，它叫卷积核，卷积层的实现每此每个方向的stride也就是步长都是1，这点还有改进的余地。对于池化层，你出来需要传入池化核的参数外，还需要传入水平方向和垂直方向的步长，这是必须的。
训练和测试
搭建好神经网络后，你需要调用network.prepare()方法，该方法会根据每一层的数据参数创建输出数据块和误差数据块。因此该方法的调用是必须的。
public void train(list<digitimage> imglist,int epoes){
system.out.println("begin train");
int batch = network.getbatch();
double loclalr = optimizer.getlr();
for(int e=0;e<epoes;e++){
collections.shuffle(imglist);
for(int i=0;i<imglist.size()-batch;i+=batch){
list<blob> inputandlabel = buildblobbyimagelist(imglist,i,batch,1,28,28);
double lossvalue = network.train(inputandlabel.get(0), inputandlabel.get(1));
if(i>batch && i/batch%50==0){
system.out.print("epoe: "+e+" lossvalue: "+lossvalue+" "+" lr: "+optimizer.getlr()+" ");
testinner(inputandlabel.get(0), inputandlabel.get(1));
}
}
if(loclalr>0.001){
loclalr*=0.8;
optimizer.setlr(loclalr);
}
}
}
public void test(list<digitimage> imglist){
system.out.println("begin test");
int batch = network.getbatch();
int correctcount = 0;
int i = 0;
for(i=0;i<imglist.size()-batch;i+=batch){
list<blob> inputandlabel = buildblobbyimagelist(imglist,i,batch,1,28,28);
blob output = network.predict(inputandlabel.get(0));
int[] caloutlabels = getbatchoutputlabel(output.getdata());
int[] reallabels = getbatchoutputlabel(inputandlabel.get(1).getdata());
for(int kk=0;kk<caloutlabels.length;kk++){
if(caloutlabels[kk] == reallabels[kk]){
correctcount++;
}
}
}
double accuracy = correctcount/(1.0*i+batch);
system.out.println("test accuracy is "+accuracy+" correctcount "+correctcount);
}
如上，调用network的 train即可训练，调用network的predict方法即可测试。
参数的保存和加载
public void savemodel(string name){
network.savemodel(name);
}
public void loadmodel(string name){
network = new network();
network.loadmodel(name);
network.prepare();
}
调用network的savemodel和loadmodel可分别实现参数的保存和加载，你只需要传入一个文件名即可。当我们通过保存的参数创建神经网络的时候，我们需要先new 一个network，然后调用这个network的loadmodel加载已保存的参数，然后不要忘记调用prepare方法创建每一层的输出数据块和误差数据块。
目前的完成情况及未来的计划
目前，实现的层有：全连接，卷积，最大值池化层，平均值池化层，softmax层。实现的激活函数有：sigmod,tanh,relu.
实现的损失函数有：交叉熵，对数似然。实现的优化为：sgd。参数已经能save和load.接下来会添加droupout层，还会尝试添加cifar-10上的例子。
此外，我会写一些文章，回顾自己写cupcnn过程中的思考可问题，供初学者参考，大神请绕道。感兴趣的可以继续关注，希望对大家的学习有所帮助，也希望大家多多支持。