【专知-Deeplearning4j深度学习教程02】用ND4J自己动手实现RBM: 图文+代码
【专知-Deeplearning4j深度学习教程02】用ND4J自己动手实现RBM: 图文+代码
【导读】主题链路知识是我们专知的核心功能之一，为用户提供AI领域系统性的知识学习服务，一站式学习人工智能的知识，包含人工智能（ 机器学习、自然语言处理、计算机视觉等）、大数据、编程语言、系统架构。使用请访问专知 进行主题搜索查看 - 桌面电脑访问www.zhuanzhi.ai, 手机端访问www.zhuanzhi.ai 或关注微信公众号后台回复" 专知"进入专知，搜索主题查看。继Pytorch教程后，我们推出面向Java程序员的深度学习教程DeepLearning4J。Deeplearning4j的案例和资料很少，官方的doc文件也非常简陋，基本上所有的类和函数的都没有解释。为此，我们推出来自中科院自动化所专知小组博士生Hujun创作的-分布式Java开源深度学习框架Deeplearning4j学习教程，第二篇，用ND4J自己动手实现RBM。
- Deeplearning4j开发环境配置
- ND4J（DL4J的矩阵运算库）教程
- 基于DL4J的CNN、AutoEncoder、RNN、Word2Vec等模型的实现
本文主要讲解Deeplearning4j的矩阵运算库ND4J的使用，考虑到这是第二篇教程，因此还介绍了DL4J配置等内容，全文组织如下：
- Deeplearning4j的配置
- ND4J简介及接口简介
- RBM（受限玻尔兹曼机）简介
- 自己动手用ND4J实现RBM
配置Deeplearning4j
对于有N卡且希望使用GPU的开发者，请先安装Cuda8.0或Cuda7.5，希望在CPU上运行DL4J的可忽略此步骤。 接下来，在Maven工程的pom.xml中加入下面依赖：
<dependency>
<groupId>org.nd4j</groupId> <!-- CPU版 -->
<artifactId>nd4j-native</artifactId> <!-- cuda7.5 GPU版 -->
<artifactId>nd4j-cuda-7.5</artifactId> <!-- cuda8.0 GPU版 -->
<artifactId>nd4j-cuda-8.0</artifactId>
<version>版本号</version>
</dependency>
<dependency>
<groupId>org.deeplearning4j</groupId>
<artifactId>deeplearning4j-core</artifactId>
<version>版本号</version>
</dependency>
<dependency>
<groupId>org.slf4j</groupId>
<artifactId>slf4j-log4j12</artifactId>
<version>版本号</version>
</dependency>注意： 先根据自己的需求（CPU/CUDA7.5/CUDA8.0）修改下面依赖中nd4j的类型，并将各依赖的版本号修改为需要的版本号，最新的版本号可在Maven中央仓库里查看：
- ND4J:
- CUDA 7.5: https://mvnrepository.com/artifact/org.nd4j/nd4j-cuda-7.5
- CUDA 8.0: https://mvnrepository.com/artifact/org.nd4j/nd4j-cuda-8.0
- CPU: https://mvnrepository.com/artifact/org.nd4j/nd4j-native
- GPU:
- DL4J: https://mvnrepository.com/artifact/org.deeplearning4j/deeplearning4j-core
- slf4j-log4j12 : https://mvnrepository.com/artifact/org.slf4j/slf4j-log4j12
最后，在Maven工程的src/main/resources中添加log4j.properties文件，否则会导致DL4J在训练时不显示监听信息等情况。
# Root logger option
log4j.rootLogger=INFO, stdout
# Direct log messages to stdout
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.Target=System.out
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d{yyyy-MM-dd HH:mm:ss} %-5p %c{1}:%L - %m%n配置完成，开始享受Deeplearning4j。
ND4J简介
ND4J是深度学习框架Deeplearning4j的矩阵运算框架，Python的Numpy类似。ND4J不仅可以在CPU上运行，也可以在GPU上运行，具有较好的运算效率。
下面列出一些ND4J常用操作：
随机产生矩阵
//创建一个shape为[3,5]的随机矩阵INDArray data = Nd4j.rand(new int[]{3,5});System.out.println(data);输出：
[[0.91, 0.19, 0.50, 0.53, 0.33],
[0.35, 0.13, 0.92, 0.62, 0.69],
[0.79, 0.30, 0.12, 0.81, 0.88]]根据数组生成矩阵
double[] arrayData = new double[]{3,4,5,1,2,5};INDArray data = Nd4j.create(arrayData, new int[]{3,2});System.out.println(data);输出：
[[3.00, 4.00],
[5.00, 1.00],
[2.00, 5.00]]获取矩阵维度和形状
INDArray data = Nd4j.rand(new int[]{3,2});int[] shape = data.shape();System.out.println("dimension:" + shape.length);System.out.println("shape: " + Arrays.toString(shape));输出：
dimension:2
shape: [3, 2]矩阵乘法
INDArray data = Nd4j.rand(new int[]{3,2});System.out.println("data:\n" + data);//矩阵乘实数INDArray mulResult = data.mul(5);System.out.println("data * 5:\n" + mulResult);//data和data的转置相乘INDArray mmulResult = data.mmul(data.transpose());System.out.println("data.dot(data.T):\n" + mmulResult);//data和data元素级相乘（等价于每个元素进行平方）INDArray elementWiseMulResult = data.mul(data);System.out.println("data * data:\n" + elementWiseMulResult);输出：
data:
[[0.59, 0.50],
[0.55, 0.66],
[0.41, 0.68]]
data * 5:
[[2.97, 2.50],
[2.74, 3.32],
[2.03, 3.40]]
data.dot(data.T):
[[0.60, 0.66, 0.58],
[0.66, 0.74, 0.67],
[0.58, 0.67, 0.63]]
data * data:
[[0.35, 0.25],
[0.30, 0.44],
[0.16, 0.46]]关于ND4J的详细教程可查看ND4J官网的一个教程：http://nd4j.org/userguide。下面，我们用ND4J来自己实现一个RBM（受限玻尔兹曼机）。
RBM（受限玻尔兹曼机）简介
RBM是一个神经网络，只有一个可见层和一个隐藏层。这里不详细介绍RBM，想了解的可以查看维基百科：
https://en.wikipedia.org/wiki/Restricted_Boltzmann_machine。简而言之，RBM的作用，就是可以无监督地学习到2个变换，第一个变换可以将输入数据的特征向量v转换为一个新的特征向量h，另一个变换可以将h还原为v。很多情况下，h比v对分类器更友好，即h是学习到的更好的特征。
用ND4J实现RBM
下面代码中相关的公式可在维基百科的RBM词条中查看。考虑到手机微信浏览器可能会出现代码展示不全的情况，我们将完整工程上传到了https://github.com/CrawlScript/RBM4j
运行结果：
reconstruction:
[[0.00, 1.00, 1.00, 1.00, 0.00, 0.00, 0.00, 0.00],
[1.00, 1.00, 1.00, 1.00, 0.00, 0.00, 0.00, 0.00],
[0.00, 0.00, 1.00, 1.00, 1.00, 1.00, 0.00, 0.00],
[0.00, 0.00, 1.00, 1.00, 1.00, 1.00, 0.00, 1.00],
[0.00, 0.00, 0.00, 0.00, 1.00, 1.00, 1.00, 1.00],
[0.00, 0.00, 0.00, 0.00, 1.00, 1.00, 1.00, 1.00]]
features:
[[0.00, 1.00],
[0.00, 1.00],
[1.00, 1.00],
[1.00, 1.00],
[1.00, 0.00],
[1.00, 0.00]]可以看出，RBM完美地重构了输入数据，并且学到了更好的低维特征。