На момент написания статьи существует много разных фремворков для таких языков программирования как С#, C++, Phyton, JAVA и т.д.
В данном случае речь пойдёт о компактной на первый взгляд сборке, написанной для языка java и уже сейчас позволяет создавать не только многослойную структуру но также объединять группы нейросетей для гибкого решения более сложных задач, отличительной чертой является несложный способ создания, обучения и использования а также что немаловажно - не боится "переобучения". В составе фреймворка два класса: fv21net и fv21csv Где fv21csv дополнение вынесенное в отдельный класс, основной класс fv21net предназначен в первую очередь для создания полно связанной многослойной сети посредством конструктора,
например так: fv21net network = new fv21net(new int[] {2, 2, 1});
или fv21net network = new fv21net(new int[] {784, 196, 196, 10});
784 - входы, 196 и 196 - 1-й и 2-й скрытые слои, 10 - выходной слой
fvcsv - предназначена для чтения csv-файлов обучающих датасетов,
например:
fv21csv netcsvfile = new fv21csv();
float[][] data = netcsvfile.csvLoad("data-iris.csv"); // Загрузка данных не более ~ 44Мб
byte[][] data = netcsvfile.csvLoadByte("mnist_train.csv"); // Загрузка данных типа byte (для больших массивов ~> 44 Мб)
Ограничений на размер слоя и количества слоёв нет, но на скорость обучения может повлиять.
В csv файле в самом начале важно чтобы была запись типа 60000,784 где 60000 кол-во строк датасета и 784 кол-во элементов в строке, также перечисляемых через запятую без пробелов.
обучить уже созданную нейросеть можно так:
network.train(data, allYTrues, 0.0002f);
data - блок обучающих данных, allYTrues - массив данных верных ответов для обучения (двумерные массивы) data[60000][784]
60000 - кол-во элементов
784 - кол-во элементов для входного слоя
allYTrues[60000][10]
60000 - как и в предыдущем случае
10 - кол-во элементов в соответствии выходов последнего слоя
0.0002f - желаемая точность до которой следует обучать, как итог кол-во эпох может быть использовано меньше чем инициализировано.
О эпохах - используется параметр полных проходов сети.
network.epoch(20); // задаём 20 полных проходов сети это примерно 20 * на максимум весов
network.learnRate = 0.25f; // шаг обучения (диапозон рандомного шага изменения весов и смещений, смещения на половину от learnRate меньше)
Шаг немного отличается от привычного шага в классических фремворках, просто взят за основу такой вариант.
Также есть несколько примеров программ на основе fv21net и fv21csv где можно ознакомится с принципом работы данных классов.
В примерах есть изучение кардиограмм сердечных ритмов с возможностью отличать ECG здорового человека и с отклонениями от нормали.
Также есть примеры решения логических задач с рекуррентностью (лучше изучить сами примеры для полного понимания решений папка \test-2-rnn\).
Сам фреймворк время от времени обновляется по мере поступления новых решений. Архив с классами fv21net, fv21csv и примерами: Neuro-Network.zip