JavaCnn项目注解

该JavaCnn项目旨在用Java语言构造一个完整的卷积神经网络，实现训练一个手写字符识别模型，并预测。该项目可以帮助我们深入到Cnn的底层原理实现，通过阅读分析该项目代码，既可以提高对Java语言的掌握，也加深了对卷积神经网络的认识。

虽然项目的功能是“识别”，但其本质上，是一个分类的过程。

项目的入口是RunCnn类,Main()函数里开了个定时器,并根据CPU核数分了线程数。// Todo

项目分训练和预测两个模块:

训练步骤:

1. 创建新模型
2. 载入训练集
3. 载入测试集
4. 调用cnn对象的train()方法

预测步骤:

1. 调用cnn对象的loadModels()方法载入模型,该方法返回Cnn对象
2. 载入测试集
3. 测试集初始化 // Todo
4. 调用cnn对象的predict()方法

predict()方法详解

1. 保存模型每一层的是否开启Dropout状态，存到save[]数组中;
2. 关掉每一层的dropout，确保预测的时候所有权重都参与计算;
3. 初始化batch的记录为0。 // Todo
4. 对于每一张图片，都进行一次forward()正向传播计算。
5. 对于每一张图片,正向传播的输出是 x个数(x是样本类别数),将这10个数字存入分类预测结果的数组中。
6. 从分类预测结果的数组(样本一共有x类，数组的长度就是x)中取出数组最大值对应的下标，将其和图片对应的label对比，若值相等，则正确个数 +1 。
7. 计算正常率： 正确个数/总测试图片数*100%。
8. 将每一层的dropout状态变回原来的状态，使训练过程得以继续。

Record类注解

一张图片对应了一个record实例对象,Record类由两个属性组成,数组attrs[]保存一张图片的所有像素值,像素值进行了归一化处理，范围为0~1。

		public Record(double[] data)
        {
			lable = data[data.length-1];
			attrs = Arrays.copyOfRange(data, 0, data.length-1);
		}

JavaCnn项目注解

原文：https://www.cnblogs.com/lwp-nicol/p/14823547.html