JOONE(Java Object-Oriented Network Engine)使用初探

  1 /**/ /*
  2  * JOONE - Java Object Oriented Neural Engine
  3  *  http://joone.sourceforge.net
  4  *
  5  * XOR_using_NeuralNet.java
  6  *
  7   */
  8 package  study;
  9
 10 import  org.joone.engine. * ;
 11 import  org.joone.engine.learning. * ;
 12 import  org.joone.io. * ;
 13 import  org.joone.net. * ;
 14 import  java.util.Vector;
 15
 16 public   class  XOR_using_NeuralNet  implements  NeuralNetListener  {
 17      private  NeuralNet            nnet  =   null ;
 18      private  MemoryInputSynapse  inputSynapse, desiredOutputSynapse;
 19      private  MemoryOutputSynapse outputSynapse;
 20     LinearLayer    input;
 21     SigmoidLayer hidden, output;
 22      boolean  singleThreadMode  =   true ;
 23     
 24      //  XOR input
 25      private   double [][]            inputArray  =   new   double [][]  {
 26          { 0.0 ,  0.0 } ,
 27          { 0.0 ,  1.0 } ,
 28          { 1.0 ,  0.0 } ,
 29          { 1.0 ,  1.0 }
 30     } ;
 31     
 32      //  XOR desired output
 33      private   double [][]            desiredOutputArray  =   new   double [][]  {
 34          { 0.0 } ,
 35          { 1.0 } ,
 36          { 1.0 } ,
 37          { 0.0 }
 38     } ;
 39     
 40      /** */ /**
 41      *  @param  args the command line arguments
 42       */
 43      public   static   void  main(String args[])  {
 44         XOR_using_NeuralNet xor  =   new  XOR_using_NeuralNet();
 45         
 46         xor.initNeuralNet();
 47         xor.train();
 48         xor.interrogate();
 49     }
 50     
 51      /** */ /**
 52      * Method declaration
 53       */
 54      public   void  train()  {
 55         
 56          //  set the inputs
 57         inputSynapse.setInputArray(inputArray);
 58         inputSynapse.setAdvancedColumnSelector( " 1,2 " );
 59          //  set the desired outputs
 60         desiredOutputSynapse.setInputArray(desiredOutputArray);
 61         desiredOutputSynapse.setAdvancedColumnSelector( " 1 " );
 62         
 63          //  get the monitor object to train or feed forward
 64         Monitor monitor  =  nnet.getMonitor();
 65         
 66          //  set the monitor parameters
 67         monitor.setLearningRate( 0.8 );
 68         monitor.setMomentum( 0.3 );
 69         monitor.setTrainingPatterns(inputArray.length);
 70         monitor.setTotCicles( 5000 );
 71         monitor.setLearning( true );
 72         
 73          long  initms  =  System.currentTimeMillis();
 74          //  Run the network in single-thread, synchronized mode
 75         nnet.getMonitor().setSingleThreadMode(singleThreadMode);
 76         nnet.go( true );
 77         System.out.println( " Total time=  " + (System.currentTimeMillis()  -  initms) + "  ms " );
 78     }
 79     
 80      private   void  interrogate()  {
 81          //  set the inputs
 82         inputSynapse.setInputArray(inputArray);
 83         inputSynapse.setAdvancedColumnSelector( " 1,2 " );
 84         Monitor monitor = nnet.getMonitor();
 85         monitor.setTrainingPatterns( 4 );
 86         monitor.setTotCicles( 1 );
 87         monitor.setLearning( false );
 88         MemoryOutputSynapse memOut  =   new  MemoryOutputSynapse();
 89          //  set the output synapse to write the output of the net
 90         
 91          if (nnet != null )  {
 92             nnet.addOutputSynapse(memOut);
 93             System.out.println(nnet.check());
 94             nnet.getMonitor().setSingleThreadMode(singleThreadMode);
 95             nnet.go();
 96             
 97              for ( int  i = 0 ; i < 4 ; i ++ )  {
 98                  double [] pattern  =  memOut.getNextPattern();
 99                 System.out.println( " Output pattern # "   +  (i + 1 )  +   " = "   +  pattern[ 0 ]);
100             }
101             System.out.println( " Interrogating Finished " );
102         }
103     }
104     
105      /** */ /**
106      * Method declaration
107       */
108      protected   void  initNeuralNet()  {
109         
110          //  First create the three layers
111         input  =   new  LinearLayer();
112         hidden  =   new  SigmoidLayer();
113         output  =   new  SigmoidLayer();
114         
115          //  set the dimensions of the layers
116         input.setRows( 2 );
117         hidden.setRows( 3 );
118         output.setRows( 1 );
119         
120         input.setLayerName( " L.input " );
121         hidden.setLayerName( " L.hidden " );
122         output.setLayerName( " L.output " );
123         
124          //  Now create the two Synapses
125         FullSynapse synapse_IH  =   new  FullSynapse();     /**/ /*  input -> hidden conn.  */
126         FullSynapse synapse_HO  =   new  FullSynapse();     /**/ /*  hidden -> output conn.  */
127         
128          //  Connect the input layer whit the hidden layer
129         input.addOutputSynapse(synapse_IH);
130         hidden.addInputSynapse(synapse_IH);
131         
132          //  Connect the hidden layer whit the output layer
133         hidden.addOutputSynapse(synapse_HO);
134         output.addInputSynapse(synapse_HO);
135         
136          //  the input to the neural net
137         inputSynapse  =   new  MemoryInputSynapse();
138         
139         input.addInputSynapse(inputSynapse);
140         
141          //  The Trainer and its desired output
142         desiredOutputSynapse  =   new  MemoryInputSynapse();
143         
144         TeachingSynapse trainer  =   new  TeachingSynapse();
145         
146         trainer.setDesired(desiredOutputSynapse);
147         
148          //  Now we add this structure to a NeuralNet object
149         nnet  =   new  NeuralNet();
150         
151         nnet.addLayer(input, NeuralNet.INPUT_LAYER);
152         nnet.addLayer(hidden, NeuralNet.HIDDEN_LAYER);
153         nnet.addLayer(output, NeuralNet.OUTPUT_LAYER);
154         nnet.setTeacher(trainer);
155         output.addOutputSynapse(trainer);
156         nnet.addNeuralNetListener( this );
157     }
158     
159      public   void  cicleTerminated(NeuralNetEvent e)  {
160     }
161     
162      public   void  errorChanged(NeuralNetEvent e)  {
163         Monitor mon  =  (Monitor)e.getSource();
164          if  (mon.getCurrentCicle()  %   100   ==   0 )
165             System.out.println( " Epoch:  " + (mon.getTotCicles() - mon.getCurrentCicle()) + "  RMSE: " + mon.getGlobalError());
166     }
167     
168      public   void  netStarted(NeuralNetEvent e)  {
169         Monitor mon  =  (Monitor)e.getSource();
170         System.out.print( " Network started for  " );
171          if  (mon.isLearning())
172             System.out.println( " training. " );
173          else
174             System.out.println( " interrogation. " );
175     }
176     
177      public   void  netStopped(NeuralNetEvent e)  {
178         Monitor mon  =  (Monitor)e.getSource();
179         System.out.println( " Network stopped. Last RMSE= " + mon.getGlobalError());
180     }
181     
182      public   void  netStoppedError(NeuralNetEvent e, String error)  {
183         System.out.println( " Network stopped due the following error:  " + error);
184     }
185     
186 }
187