java简单的神经网络设置

Question

我决定在 Java 中尝试一些涉及神经网络的简单概念，并且通过修改我在论坛上找到的一些无用的代码，我已经能够为典型的初学者 XOR 模拟创建一个非常简单的模型:

public class MainApp {
    public static void main (String [] args) {
        Neuron xor = new Neuron(0.5f);
        Neuron left = new Neuron(1.5f);
        Neuron right = new Neuron(0.5f);
        left.setWeight(-1.0f);
        right.setWeight(1.0f);
        xor.connect(left, right);

        for (String val : args) {
            Neuron op = new Neuron(0.0f);
            op.setWeight(Boolean.parseBoolean(val));
            left.connect(op);
            right.connect(op);
        }

        xor.fire();

        System.out.println("Result: " + xor.isFired());

    }
}

public class Neuron {
    private ArrayList inputs;
    private float weight;
    private float threshhold;
    private boolean fired;

    public Neuron (float t) {
        threshhold = t;
        fired = false;
        inputs = new ArrayList();
    }

    public void connect (Neuron ... ns) {
        for (Neuron n : ns) inputs.add(n);
    }

    public void setWeight (float newWeight) {
        weight = newWeight;
    }

    public void setWeight (boolean newWeight) {
        weight = newWeight ? 1.0f : 0.0f;
    }

    public float getWeight () {
        return weight;
    }

    public float fire () {
        if (inputs.size() > 0) {
            float totalWeight = 0.0f;
            for (Neuron n : inputs) {
                n.fire();
                totalWeight += (n.isFired()) ? n.getWeight() : 0.0f;
            }
            fired = totalWeight > threshhold;
            return totalWeight;
        }
        else if (weight != 0.0f) {
            fired = weight > threshhold;
            return weight;
        }
        else {
            return 0.0f;
        }
    }

    public boolean isFired () {
        return fired;
    }
}

在我的主课中，我创建了对 Jeff Heaton 图表建模的简单模拟:

但是，我想确保我对 Neuron 类的实现是正确的。我已经测试了所有可能的输入([true true]、[true false]、[false true]、[false false])，并且他们都通过了我的手动验证。此外，由于这个程序接受输入作为参数，它似乎也通过了手动验证，例如 [true false false]、[true true false] 等。

但从概念上讲，这种实现是否正确？或者在我开始进一步开发和研究这个主题之前，我该如何改进它？

谢谢!

Answer 1

这看起来是一个很好的起点。我确实有一些建议:

1. 为了可扩展性，应该对 fire() 进行重组，以便已经使用当前输入集触发的神经元不必每次都重新计算。如果您有另一个隐藏层或多个输出节点，就会出现这种情况。

2. 考虑将阈值计算拆分为自己的方法。然后，您可以将 Neuron 子类化并使用不同类型的激活函数(双极 sigmoid、RBF、线性等)。

3. 要学习更复杂的函数，请为每个神经元添加一个偏置输入。它基本上就像另一个输入，具有自己的权重值，但输入始终固定为 1(或 -1)。

4. 不要忘记允许训练方法。反向传播需要类似于 fire() 的逆函数，以获取目标输出并在每一层中波动权重变化。