ニューラルネットワークjavaフレームワーク学習

1.JavaニューラルネットワークフレームワークNeuroph
Neurophは軽量級のJavaニューラルネットワークのフレームワークであり,一般的なニューラルネットワークアーキテクチャをシミュレートするために使用できる.Neurophには、オープンソースjavaクラスライブラリと、基本ニューラルネットワークの概念に対応する少量のベースクラス、およびeasyNeurons GUIツールが含まれています.Neuroph Documentation
2.ニューラルネットワークオープンフレームワークJOONE
JOONE(Java Object Oriented Neural Network)はsourceforge.Netの前のjava言語でニューラルネットワークを迅速に開発したオープンソースプロジェクト.JOONEはマルチスレッドや分散計算など多くの特性をサポートし、BPアルゴリズムを用いて反復計算パラメータを行う.これは、JOONEがマルチプロセッサやマルチコンピュータを利用して負荷を等化できることを意味する.JAvaバージョンのニューラルネットワーク——オープンソースフレームワークJOONE実践

JOONEには主に3つの大きなモジュールがあります.

joone-engine:jooneのコアモジュール

joone-editor:jooneのGUI開発環境.グラフィックインタフェースはニューラルネットワークモデルを構築し,訓練と検証を行うことができる.JOONEではjoone-editorを用いてXORネットワークモデルを構築する例を示した.

joone-distributed-environment:jooneは、分散計算をサポートするモジュールに使用されます.

JOONE快速開発ニューラルネットワーク用JavaオープンソースプロジェクトJOONEによる人工知能プログラミングを実現
3.JavaニューラルネットワークフレームワークEncog for Java
Encogは先進的なニューラルネットワークとローミングプログラミングライブラリです.Encogは、ニューラルネットワークまたはHTTP爬虫プログラムを単独で使用または確立することができる.サポートベクトルマシン(SVM)、人工ニューラルネットワーク、遺伝アルゴリズム、ベイズネットワーク、ステルスマルコフモデル(HMM)、遺伝プログラミングおよび遺伝アルゴリズムを統合した.ENncog Documentation
4.3種類のフレームワークの比較
Benchmarking and Comparing Encog, Neuroph and JOONE Neural Networks
Comparing Neural Networks in Neuroph,Encog and JOONE-Encog性能はもっと良くて、中間層のアルゴリズムはもっと豊富で、実際の工事の応用に適しています-Neurophは学習しやすくて、図形のインターフェースは操作しやすくて、ニューラルネットワークの初心者に適して原理を理解します
5. Encog
github - encog-java-core
単純XOR demo

import org.encog.Encog;
import org.encog.engine.network.activation.ActivationReLU;
import org.encog.engine.network.activation.ActivationSigmoid;
import org.encog.ml.data.MLData;
import org.encog.ml.data.MLDataPair;
import org.encog.ml.data.MLDataSet;
import org.encog.ml.data.basic.BasicMLDataSet;
import org.encog.neural.networks.BasicNetwork;
import org.encog.neural.networks.layers.BasicLayer;
import org.encog.neural.networks.training.propagation.resilient.ResilientPropagation;

public class XORHelloWorld {

    /**
     *     .
     */
    public static double XOR_INPUT[][] = { { 0.0, 0.0 }, { 1.0, 0.0 },
            { 0.0, 1.0 }, { 1.0, 1.0 } };

    /**
     *     .
     */
    public static double XOR_IDEAL[][] = { { 0.0 }, { 1.0 }, { 1.0 }, { 0.0 } };

    /**
     *    .
     */
    public static void main(final String args[]) {

        //       .
        BasicNetwork network = new BasicNetwork();
        network.addLayer(new BasicLayer(null,true,2));
        network.addLayer(new BasicLayer(new ActivationReLU(),true,5));
        network.addLayer(new BasicLayer(new ActivationSigmoid(),false,1));
        network.getStructure().finalizeStructure();
        network.reset();

        //      .
        MLDataSet trainingSet = new BasicMLDataSet(XOR_INPUT, XOR_IDEAL);

        //       .
        final ResilientPropagation train = new ResilientPropagation(network, trainingSet);

        int epoch = 1;

        do {
            train.iteration();
            System.out.println("Epoch #" + epoch + " Error:" + train.getError());
            epoch++;
        } while(train.getError() > 0.01);
        train.finishTraining();

        //       .
        System.out.println("Neural Network Results:");
        for(MLDataPair pair: trainingSet ) {
            final MLData output = network.compute(pair.getInput());
            System.out.println(pair.getInput().getData(0) + "," + pair.getInput().getData(1)
                    + ", actual=" + output.getData(0) + ",ideal=" + pair.getIdeal().getData(0));
        }

        Encog.getInstance().shutdown();
    }
}