یک شبکه عصبی در جاوا ایجاد کنید

شبکه های عصبی مصنوعی در جاوا، از ابتدا

عنوان اصلی : Create a Neural Network in Java

سرفصل های دوره :

مقدمه و پرسپترون :
مقدمه
چرا یک شبکه عصبی بنویسیم؟
بیشترین بهره را از این دوره ببرید
جاوا در مقابل پایتون
نورون ها
پرسپترون
یک پروژه با پشتیبانی JUnit
کدگذاری پرسپترون
کد منبع را کجا پیدا کنیم
Eclipse Formatters
گیتس منطقی
پرسپترون و
OR، NOR، NAND
XOR و XNOR
جداپذیری خطی
برخی از اصطلاحات لایه
وزن های برچسب زدن
ماتریس ها
برخی از اصطلاحات ریاضی
ریاضیات ماتریسی:
ابتدای سازی ماتریس
روش ماتریس toString
آزمایش روش toString
تغییر ماتریس ها
ضرب ماتریس ها در یک مقدار
مقایسه ماتریس ها
با استفاده از روش Equals
افزودن ماتریس
انگیزه برای ضرب ماتریس
ضرب جداول
ضرب ماتریس
قانون ضرب ماتریس
خلاصه ضرب ماتریس
نمونه های ضرب ماتریسی
ادعاها
2 بعدی به 1 بعدی
تکرار روی ردیف های چندگانه
تکمیل اجرای ضرب
ضرب ماتریس زمان
بهینه سازی ضرب ماتریس
توابع فعال سازی:
کلاس تست شبکه عصبی
تغییر ماتریس ها
افزودن تعصب
چند ستون ورودی
ReLu
یک تست ReLu
ماتریس برای هر
پیاده سازی ReLu
معرفی Softmax
نمونه کاری Softmax
جمع بندی ستون ها
پیاده سازی Softmax
تست Softmax
موتور
تصمیم گیری اندازه ماتریس وزن
یک شبکه آموزش ندیده
پیکربندی لایه های متراکم
افزودن چندین لایه
اجرای موتور
نظریه اطلاعات و آنتروپی متقابل:
از دست دادن میانگین مربعات
اطلاعات چیست؟
فضاهای نماد
آنتروپی
یک استراتژی رمزگذاری بهینه
نمادهای محتمل نابرابر
محاسبه اطلاعات مرتبط با یک نماد
آنتروپی برای نمادهای نابرابر محتمل
معرفی Cross Entropy
مثال آنتروپی متقاطع
آنتروپی متقاطع به عنوان یک تابع ضرر
اجرای آنتروپی متقابل
تست آنتروپی متقاطع
اجرای آزمون آنتروپی متقاطع
حساب و پس انتشار:
آموزش شبکه
نزول گرادیان
گرادیان ها و شبکه های عصبی
یک کلاس حساب دیفرانسیل و انتگرال
اجرای تمایز
نمادگذاری پایه ریاضی
مشتقات جزئی
نمای کلی یک شبکه 3 لایه
شبکه به عنوان یک تبدیل
تقریبی
داده های مورد انتظار را ساختگی کنید
پیاده سازی تبدیل
بررسی ضرر
یک روش افزودن افزایشی
تکمیل Approximator
Recap و لگاریتم های طبیعی
اتمام تست تقریبی
پشت انتشار
به دست آوردن گرادیان آنتروپی متقاطع Softmax
پخش خطاها از طریق جمع وزنی
معرفی قانون زنجیره ای
برنامه نویسی قانون زنجیره
قانون زنجیره ای برای توابع متغیرهای چندگانه
قانون زنجیره چند متغیره برنامه نویسی
اصطلاحات ریاضی بیشتر
ماتریس انتقال
پیاده سازی Transpose
انتشار پس از طریق وزنه ها
محاسبه تبدیل پس انتشار برای وزن ها
ایجاد تست برای وزنه پشتیبان
ایجاد وزن و تعصب
تکمیل تست Backprop Weights
بهبود تست وزنه پشتی
انتشار پس‌انداز از طریق ReLu
پیاده سازی پس انتشار از طریق ReLu
موتور شبکه عصبی:
افزودن یک روش RunBackwards
یک کلاس داده آزمایشی
یک کلاس نتیجه دسته ای
پیکربندی موتور
بررسی شکست و تبدیل نهایی
خطاهای ذخیره سازی
آغاز پس انتشار
بررسی پس انتشار اولیه
انتشار پس از طریق وزنه ها
انتشار پس‌انداز از طریق ReLu
خاموش کردن Backpropagation به ورودی
آموزش شبکه عصبی :
محاسبه گرادیان وزن از روی خطا
محاسبه عملی گرادیان وزن از طریق کدگذاری
تکمیل آزمون گرادیان وزن
یک واقعیت مفید در مورد انتقال ماتریس
آموزش آنلاین در مقابل آموزش دسته ای
آموزش کامل شبکه
آزمایش ستون میانگین
میانگین گیری ستون ها
ارزیابی میانگین ضرر
دریافت ورودی ها و خطاهای وزن
ایجاد داده های آموزش پذیر
پیکربندی تست موتور
اتمام روش Adjust
دریافت بزرگترین اعداد ردیف
افزودن درصد صحیح
آموزش مکرر
ایجاد توزیع های متقارن کروی
داده های آموزشی بهتر
آزمایش داده‌های جدید
یک کلاس میانگین دویدن
استفاده از Running Averages
نرخ های یادگیری متغیر
تست عملکرد موتور
دوره ها، دسته ها و چند رشته ای:
رابط MetaData
رابط BatchData
رابط Loader
کلاس شبکه عصبی
راه اندازی ماتریس ها با آرایه های دوگانه
ایجاد آرایه های آموزشی
برخی کلاس های راحتی انتزاعی
ایجاد یک بارگذار آزمایشی
تکمیل تست لودر
تست لودر تست
جمع عناصر ماتریس
اتمام تست لودر
روش تناسب
در حال اجرا با Test Loader
اجرای دوره ها
اجرای دسته ها
پیاده سازی RunBatch
افزودن Multithreading
مصرف دسته ها
رفع استثناء اجرا
خروجی معیارها
جلوگیری از NaN
بهبود toString
ذخیره شبکه
افزودن یک روش بارگذاری
برخورد با قفل
افزودن یک روش پیش بینی
بارگیری تصاویر MNIST:
مجموعه داده MNIST
آرگومان های خط فرمان
ایجاد Image Loader
باز کردن فایل‌های MNIST
فرمت فایل MNIST
خواندن فراداده برچسب
خواندن متا دیتای تصویر
ذخیره متا دیتا
ساختار خواندن دسته ای
خواندن داده های تصویر
تبدیل بایت به دو برابر
دسته های خواندن
خواندن برچسب ها
یک کلاس ImageWriter
نوشتن تصاویر
تعیین عرض بوم
محاسبه مکان پیکسل
نوشتن تصاویر مونتاژ
تبدیل One Hot به Int
نوشتن برچسب ها
در کنار هم قرار دادن همه چیز:
در کنار هم قرار دادن آن
رفع یک اشکال بد
مقیاس سازی وزن های اولیه
بهبود تبدیل One Hot
دریافت پیش بینی ها
رنگ‌آمیزی تصاویر
نتیجه گیری:
نتیجه گیری