easyAI是用来简易快速开发人工智能应用的JAVA引擎，也同时可以深度开发定制需求。本文档详细讲述本框架的所有即时更新版本内容， - 详述所有内置API,内置参数，各种模式及应用，对于深度学习easyAI开发人员提供帮助。同时可以让企业低成本部署，快速应用落地，并降低人才门槛及费用。 - 点击可查看easyAi视频教程， - easyAi-1.0.6Maven包下载地址 -
-Config config = new Config();//配置文件类;-
配置文件类，这是一个用来保存学习过程中需要的各种参数，各种分类器参数及各种需要初始化的内部类。
-config.setTypeNub(2);//设置训练种类数-
config.setBoxSize(125);//设置物体大致大小 单位像素 即 125*125 的矩形-
config.setPictureNumber(5);//设置每个种类训练图片数量 某个类别有几张照片，注意所有种类照片数量要保持一致-
config.setPth(0.7);//设置可信概率，只有超过可信概率阈值，得出的结果才是可信的 数值为0-1之间-
config.setShowLog(true);//输出学习时打印数据-
图片解析与图片训练
-Picture picture = new Picture();//图片解析类，用于将图片解析为三通道像素矩阵-
Distinguish distinguish = new Distinguish(config);//创建识别类-
distinguish.setBackGround(picture.getThreeMatrix("E:\\ls\\fp15\\back.jpg"));//设置识别的背景图片(该api为固定背景)
- 读取训练图片，进行图像训练
-
- List<FoodPicture> foodPictures = new ArrayList<>();//所有识别物体的标注集合
- for (int i = 1; i < 3; i++) {//加载图片全过程
- FoodPicture foodPicture = new FoodPicture();
- foodPictures.add(foodPicture);
- List<PicturePosition> picturePositionList = new ArrayList<>();
- foodPicture.setId(i + 1);//该图片类别
- foodPicture.setPicturePositionList(picturePositionList);
- for (int j = 1; j < 6; j++) {
- String name;
- if (i == 1) {
- name = "a";
- } else {
- name = "b";
- }
- PicturePosition picturePosition = new PicturePosition();
- picturePosition.setUrl("E:\\ls\\fp15\\" + name + i + ".jpg");
- picturePosition.setNeedCut(false);//是否需要剪切，充满全图不需要
- picturePositionList.add(picturePosition);
- }
- }
- distinguish.studyImage(foodPictures);//进行学习 耗时较长
- 学习完成提取模型，并将模型myModel序列化为JSON字符串形式保存
-Model model = distinguish.getModel();String myModel= JSON.toJSONString(model);-
服务启动初始化静态配置，并注入学习模型
-- Config config = new Config();//配置文件 - config.setTypeNub(2);//设置类别数量 - config.setBoxSize(125);//设置物体大小 单位像素 - config.setPictureNumber(5);//设置每个种类训练图片数量 - config.setPth(0.7);//设置可信概率，只有超过可信概率阈值，得出的结果才是可信的 - config.setShowLog(false);//输出学习时打印数据 - Distinguish distinguish = new Distinguish(config);//识别类 - distinguish.insertModel(JSONObject.parseObject(ModelData.DATA, Model.class));//将之前训练时保存的训练模型反序列化为实体类后，注入模型 - //注意：完成后请单例Distinguish类，即完成系统启动时初始化过程-
识别过程
-Distinguish distinguish 此识别类为系统启动时已经单例初始化的，要获取从单例初始化已经完成，并注入模型后的Distinguish类，识别过程请不要 "new" 这个类。
-
- Picture picture = new Picture();//图片解析类
- for (int i = 1; i < 8; i++) {
- System.out.println("i====" + i);
- ThreeChannelMatrix t = picture.getThreeMatrix("E:\\ls\\fp15\\t" + i + ".jpg");//将识别图片转化为矩阵
- Map<Integer, Double> map = distinguish.distinguish(t);//识别结果
- for (Map.Entry<Integer, Double> entry : map.entrySet()) {
- System.out.println(entry.getKey() + ":" + entry.getValue());//识别结果打印
- }
- }
- 识别结果打印控制台
-- i====1//第一张图 结果为 橘子，出现2：代表类别。:0.8874306751020916，带表该类别权重，权重越高说明该类别的物品在当前 图片中数量越多或者面积越大。 - 2:0.8874306751020916 说明（图1有橘子，权重为：0.8874306751020916） - i====2 - 2:0.8878192183606407 - i====3 - 3:0.7233916245920673说明（图3有苹果，权重为：0.7233916245920673） - i====4 - 2:0.9335699571468958说明（图4有橘子，权重为：0.9335699571468958） - 3:0.7750825597199661说明（图4有苹果，权重为：0.7750825597199661） - i====5 - 3:0.8481590575557582 - i====6 - 2:0.7971025523095067 - i====7 - 2:1.5584968376080388（图7有橘子，权重为：1.5584968376080388） - 3:0.8754957897385587（图7有苹果，权重为：0.8754957897385587）-
图片摘要
-第一个参数：threeChannelMatrix图像三通道矩阵，通过Picture类读取本地文件或输入流获取，
- 前文代码有注释说明。
第二个参数：boxSize将一张图片横纵各分为几个区域提取特征，该值越大，生成的摘要id敏感度越高
第三个参数：regionSize相似特征区域分区种类数量，该值越大，生成的摘要id敏感度越高
最终返回id即为该图片摘要id，通过id逐位对比即可对比相似程度
-FastPictureExcerpt fastPictureExcerpt = new FastPictureExcerpt(); -String id = fastPictureExcerpt.creatImageName(threeChannelMatrix, 5, 10);-
id敏感度越高，对图片变化越敏感，越适合越大的检索区域匹配，即特征越细致，但缺点id长度越长。
-id敏感度越低，对图片变化越不敏感，越适合越小的检索区域匹配,特征越粗，优点是id长度越短。
-对语言训练模板进行初始化并学习
--WordTemple wordTemple = new WordTemple(); -Tokenizer tokenizer = new Tokenizer(wordTemple);//学习类 -Map<Integer, List<String>> model = new HashMap<>();//训练模板 主键为类别id,值为该类别id的语句集合 -tokenizer.start(model); //开始训练-
最好不要将标点符号带入训练语句，在训练量不足的时候可以展现更好的效果
-包含数字的语句用统一的占位符代替 例如 35,3,36% 变为 #,#,#%
-wordTemple初始化语言模版，该语言模板要进行单例化，在内存中长期持有。
对用户输入的语句进行语义分类
-
-Talk talk = new Talk(wordTemple);
-List<Integer> list = talk.talk("空调坏了，帮我修一修");
-System.out.println(list);
-}
- list返回的集合中每个值代表了输入语句在每个标点符号前语句的分类id
Talk的构造参数wordTemple是初始化并训练时，内存中单例保存的wordTemple
纯切词模式
-wordTemple.setSplitWord(true)将模板设置成纯切词模式
-
-wordTemple.setSplitWord(true);
-List<List<String>> lists = talk.getSplitWord("空调坏了，帮我修一修");
-for (List<String> list : lists) {
-System.out.println(list);
-}
- 捕捉用户输入语句的关键词
-
-CatchKeyWord catchKeyWord = new CatchKeyWord();
-List<KeyWordForSentence> keyWordForSentenceList = new ArrayList<>();
- for (Sentence sentence : sentences) {
- String word = sentence.getWord();//模板中的用户语句
- String keyWord = sentence.getNoun();//该用户语句中的关键词
- if (keyWord != null && keyWord.length() > 0) {//关键词必须存在
- KeyWordForSentence keyWordForSentence = new KeyWordForSentence();
- keyWordForSentence.setSentence(word);//输入语句
- keyWordForSentence.setKeyWord(keyWord);//输入关键词
- keyWordForSentenceList.add(keyWordForSentence);
- }
- }
-catchKeyWord.study(keyWordForSentenceList);//进行关键词训练
-KeyWordModel keyWordModel = catchKeyWord.getModel();//训练完毕获取模型并将其序列化以JSON字符串形式保存
- keyWord必须完全包含于语句code内才有效
-catchKeyWord需要在服务启动的时候进行单例化。
对获取关键词类进行服务启动初始化
-- CatchKeyWord catchKeyWord = new CatchKeyWord(); - catchKeyWord.insertModel(keyWordModel);//注入训练时的模型(通过JSON反序列化)-
对用户输入语句的关键词进行捕捉
-List<String> keyWords=catchKeyWord.getKeyWord(sen);//返回关键词集合-
catchKeyWord从上文服务器初始化中单例的CatchKeyWord获取
- 对用户输入的语句进行延伸
-
-List<String> sentenceList = new ArrayList<>();//模板中所有语句集合
- static{
- 将模板中所有语句集合注入到sentenceList当中
- }
-SentenceCreator creator =new SentenceCreator();//词句延伸类 需要服务启动时单例化
-WordTemple wordTemple = new WordTemple();//同上文模板类需要服务启动时单例化
-creator.initFirst(sentenceList, wordTemple);
-creator.study();//进行训练
-String myModel = JSONObject.toJSONString(creator.getModel());//训练完成将模型反序列化为JSON字符串保存
-
- creator词句延伸类，需要服务启动时单例化保存
- - 对语句延伸类进行初始化
--CreatorSentenceModel model = JSONObject.parseObject(readPaper(file), CreatorSentenceModel.class); -creator.initModel(wordTemple, model);//注入语句延伸模型-
CreatorSentenceModel模型注入到creator语句延伸类并单例化，
- 并将CreatorSentenceModel单例保存
- 若用户语句拆词数量过少，则对用户语句进行延伸生成新的语句
-
- List<String> words = talk.getSplitWord(sen).get(0);//对该词进行拆词
- if (words.size() < 3) {//拆词数量小于3，则对语句进行补全
- String fillName = beanMangerOnly.sentenceCreator().fill(sen, talk);//补全语句
- type = talk.talk(fillName).get(0);//对补全后的语句进行识别
- } else {
- type = talk.talk(sen).get(0);//对原句进行识别
- }
-
- - //创建一个DNN神经网络管理器 - /** - * 初始化神经元参数 - * - * @param sensoryNerveNub 输入神经元个数 - * @param hiddenNerveNub 隐层神经元个数 - * @param outNerveNub 输出神经元个数 - * @param hiddenDepth 隐层深度 - * @param activeFunction 激活函数 - * @param isDynamic 是否是动态神经元 - * @param isAccurate 是否保留精度 - * @param rzType 正则函数 - * @param lParam 正则系数 - * @throws Exception 如果参数错误则抛异常 - */ - public NerveManager(int sensoryNerveNub, int hiddenNerveNub, int outNerveNub, int hiddenDepth, ActiveFunction activeFunction, boolean isDynamic, boolean isAccurate, - double studyPoint, int rzType, double lParam) - /** - * 初始化 - * - * @param initPower 是否是第一次注入 - * @param isMatrix 参数是否是一个矩阵 - * @param isShowLog 是否打印学习参数 - * @param isSoftMax 最后一层是否用softMax激活 - * @throws Exception - */ - public void init(boolean initPower, boolean isMatrix, boolean isShowLog, boolean isSoftMax)//深度神经网络初始化 - nerveManager.getSensoryNerves()获取感知神经元集合 - //eventId:事件ID - //parameter:输入特征值 - //isStudy:是否是学习 - //E:特征标注 - //OutBack 回调类 - SensoryNerv.postMessage(long eventId, double parameter, boolean isStudy, Map<Integer, Double> E, OutBack outBack) - //每一次输出结果都会返回给回调类，通过回调类拿取输出结果，并通过eventId来对应事件 --
OutBack，通过OutBack实现类获取对应神经元返回参数。
-
- //创建一个内存中的数据表
- DataTable dataTable = new DataTable(column);
- //构造参数是列名集合
- public DataTable(Set<String> key)
- //指定主列名集合中该表的主键
- dataTable.setKey("point");
- //创建一片随机森林
- RandomForest randomForest = new RandomForest(7);
- //构造参数为森林里的树木数量
- public RandomForest(int treeNub);
- //唤醒随机森林里的树木
- randomForest.init(dataTable);
- //将加入数据的实体类一条条插入森林中
- randomForest.insert(Object object);
- //森林进行学习
- randomForest.study();
- //插入特征数据，森林对该数据的最终分类结果进行判断
- int type = randomForest.forest(Object objcet);
-
- - public Knn(int nub);//构造参数，有几个人参与投票 - public void insertMatrix(Matrix vector, int tag);//参数分别是特征向量和类别，注入进KNN当中 - public int getType(Matrix vector);//输入特征向量，返回类别 - public void removeType(int type);//移除一个分类 --
- public LVQ(int typeNub, int lvqNub, double studyPoint);//类别数量，循环次数，学习率，注意lvq的递增类别id必须从0开始 - public void insertMatrixBody(MatrixBody matrixBody);//注入特征向量 - public void start()；//执行学习 --
- public MeanClustering(int speciesQuantity);//聚多少个类 - public void setColor(double[] color);//输入特征数组 - public void start();//开始聚类 - public List<RGBNorm> getMatrices();//聚类结束时，获取聚类实体 --
- 适应函数类需要实现适应函数接口，并实现生成返回值
-
- public interface PsoFunction {//粒子群回调函数
- //根据参数返回函数值
- double getResult(double[] parameter,int id) throws Exception;
-}
- 构造例子群类
-- /** - * 初始化 - * - * @param dimensionNub 维度 - * @param minBorder 最小边界 - * @param maxBorder 最大边界 - * @param times 迭代次数 - * @param particleNub 粒子数量 - * @param psoFunction 适应函数 - * @param inertialFactor 惯性因子 - * @param selfStudyFactor 个体学习因子 - * @param socialStudyFactor 社会学习因子 - * @param isMax 最大值是否为最优 - * @param maxSpeed 最大速度 - * @param initSpeed 初始速度 - * @throws Exception - */ - public PSO(int dimensionNub, int[] minBorder, int[] maxBorder, - int times, int particleNub, PsoFunction psoFunction, - double inertialFactor, double selfStudyFactor, double socialStudyFactor - , boolean isMax, double maxSpeed, double initSpeed) - public void start()//粒子群开始进行迭代 - public double[] getAllBest()//迭代结束获取全局最优解 --
动态规划类：DynamicProgramming，
- 动作函数要继承动作抽象类Action，并重写以下方法
-public abstract class Action {//动作
- private int actionId;//动作id
-
- public int getActionId() {//返回该动作id
- return actionId;
- }
-
- public void setActionId(int actionId) {//设置该动作id
- this.actionId = actionId;
- }
-
- public int[] action(int[] stateId) {//stateId状态进行该动作后生成新的状态
- return new int[0];
- }
-
- public int[] actionTest(int[] stateId) {//stateId状态进行该动作后生成新的测试状态
- return new int[0];
- }
-
- protected int getProfit(int[] stateId) {//stateId的状态进行该动作后所获得的收益
- return 0;
- }
-}
- Map<Integer, Action> actionMap = dynamicProgramming.getActionMap();//从dynamicProgramming获取内部动作集合
-}
- 状态类：DynamicState
-public class DynamicState {
- private int[] stateId;//状态id
- private boolean isFinish = false;//是否是终结态
- public void setFinish(boolean finish) {
- isFinish = finish;
- }
- public DynamicState(int[] stateId) {//设置状态id
- this.stateId = stateId;
- }
- List<DynamicState> dynamicStateList = dynamicProgramming.getDynamicStateList();//从dynamicProgramming获取内部状态集合
-}
- 启动开始动态规划的策略迭代，并生成价值函数，api调用如下：
-- dynamicProgramming.setMaxTimes(int maxTimes)//策略改进最大迭代次数 - dynamicProgramming.setValueTh(double valueTh);//设置策略改进价值阈值 - dynamicProgramming.setGaMa(double gaMa);//设置贴现因子 - dynamicProgramming.gameStart();//开始策略迭代生成价值函数 - dynamicProgramming.getValueFunction();//返回价值函数 - dynamicProgramming.getBestAction(int[] stateId);//获取当前最优动作集合 --
矩阵类：Matrix
- 1,Matrix matrix = new Matrix(int x, int y);//初始化构造一个行为x，列为y的矩阵类 - 2,Matrix matrix= new Matrix(int x, int y, String matr);//初始化构造一个行为x,列为y,内部数据为 matr 的矩阵 - 3,int getX();//获取行数 - 4,int getY();//获取列数 - 5,void setState(int x, int y);//设置矩阵属性，根据x,y的数值大小，属性分别是0矩阵，行矩阵，列矩阵 - 6,double getAVG();//获取当前矩阵中所有数值的平均值 - 7,boolean isRowVector();//该矩阵是否是一个行矩阵 - 8,boolean isVector();该矩阵是否为一个向量 - 9,boolean isZero();该矩阵是否为一个0矩阵 - 10,void clear();//清除矩阵数据 - 11, double getDet();//求该矩阵的行列式 - 12,Matrix getSonOfMatrix(int x, int y, int xSize, int ySize);//求该矩阵的分块矩阵 - 13,Matrix getRow(int x);//求该矩阵指定一行的行向量 - 14,Matrix getColumn(int y);//求该矩阵指定一列的列向量 - 15,String getString();//返回字符串形式的该矩阵 - 16,String getPositionString();//返回带坐标的该矩阵字符串 - 17,void setNub(int x, int y, double number);//向该矩阵指定xy的位置输入一个数值 - 18,double getNumber(int x, int y);//向该矩阵指定xy的位置获取一个数值 --
2,Matrix matrix= new Matrix(int x, int y, String matr) 示例：
- Matrix matrix = new Matrix(2, 2, "[1,2]#[3,4]")，构造一个行为2，列为2，第一行数据为[1,2]，第二行数据为[3,4]的矩阵。
矩阵运算类：MatrixOperation
- static Matrix add(Matrix matrix1, Matrix matrix2);//矩阵相加 - static Matrix sub(Matrix matrix1, Matrix matrix2);//矩阵相减 - static Matrix getLinearRegression(Matrix parameter, Matrix out);//多元线性回归 - static double getEDistByMatrix(Matrix matrix1, Matrix matrix2);//矩阵相似度(欧氏距离) - static double getEDist(Matrix matrix1, Matrix matrix2);//两个向量之间欧式距离的平方 - static Matrix pushVector(Matrix myMatrix, Matrix matrix, boolean addRow);//向一个矩阵里合并一个行向量或者列向量到矩阵行或者列的末尾 - static Matrix push(Matrix matrix, double nub, boolean isRow);//向一个向量里PUSH一个值 - static Matrix matrixToVector(Matrix matrix, boolean isRow);//将一个矩阵转成行向量 - static double innerProduct(Matrix matrix1, Matrix matrix2);//求两个向量的内积 - static double getNorm(Matrix matrix);//求向量范数 - static double getNormCos(Matrix matrix1, Matrix matrix2);//求两个向量之间的余弦 - static Matrix transPosition(Matrix matrix);//矩阵转置 - static int inverseNumber(double[] myInverse);//逆序数奇偶性判定 - static Matrix getInverseMatrixs(Matrix matrix);//矩阵求逆 - static Matrix adjointMatrix(Matrix matrix);//求伴随矩阵 - static double algebraicCofactor(Matrix matrix, int row, int column);//求矩阵代数余子式 - static Matrix mulMatrix(Matrix matrix1, Matrix matrix2);//矩阵相乘 - static void mathMul(Matrix matrix, double nub);//矩阵数乘 - static void mathSub(Matrix matrix, double nub);//矩阵数减 - static void mathDiv(Matrix matrix, double nub);//矩阵数除 - static List<Double> matrixToList(Matrix matrix);//矩阵转list集合 - static Matrix listToRowVector(List<Double> list);//list集合转行向量 - static Matrix im2col(Matrix matrix, int kernLen, int step);//卷积im2col - static Matrix reverseIm2col(Matrix matrix, int kernLen, int step, int xSize, int ySize);//逆向im2col --
所有的矩阵运算，返回矩阵都是一个新的实例化矩阵，对参与运算的所有原矩阵原数值不产生任何影响
-图像解析类：Picture
- Picture picture = new Picture();//实例化一个图像解析类 - ThreeChannelMatrix getThreeMatrix(String fileURL);//根据本地图片url返回一个RGB三通道矩阵类 - ThreeChannelMatrix getThreeMatrix(InputStream file);//根据一个输入流返回一个RGB三通道矩阵类-
ThreeChannelMatrix，所有像素值都为归一化后的0-1之间的值！
- RGB三通道矩阵：ThreeChannelMatrix
- Matrix getMatrixR();//返回R矩阵 - Matrix getMatrixG();//返回G矩阵 - Matrix getMatrixB();//返回B矩阵 - Matrix getH();//返回灰度矩阵-