Flutter神经网络处理插件eneural_net的使用

eneural_net 是一个高效的Dart语言实现的人工神经网络库，支持Flutter、Web和其他平台。它利用SIMD（单指令多数据）技术来提高性能，并且支持多种激活函数和训练算法。

安装

在你的 pubspec.yaml 文件中添加以下依赖项：

dependencies:
  eneural_net: ^latest_version

然后运行 flutter pub get 来安装这个包。

示例代码

下面是一个完整的示例，展示了如何使用 eneural_net 插件来创建并训练一个简单的神经网络模型（XOR问题）。

完整示例Demo

import 'package:eneural_net/eneural_net.dart';
import 'package:eneural_net/eneural_net_extensions.dart';

void main() {
  // 设置使用的比例类型
  var scale = ScaleDouble.ZERO_TO_ONE;

  // 准备样本数据，格式为 Float32x4 数据类型
  var samples = SampleFloat32x4.toListFromString(
    [
      '0,0=0', // 输入[0,0] 对应输出0
      '1,0=1', // 输入[1,0] 对应输出1
      '0,1=1', // 输入[0,1] 对应输出1
      '1,1=0', // 输入[1,1] 对应输出0
    ],
    scale,
    true, // 已经归一化到指定的比例范围内
  );

  // 创建样本集
  var samplesSet = SamplesSet(samples, subject: 'xor');

  // 选择激活函数
  var activationFunction = ActivationFunctionSigmoid();

  // 构建神经网络结构
  var ann = ANN(
    scale,
    // 输入层：2个神经元，线性激活函数
    LayerFloat32x4(2, true, ActivationFunctionLinear()),
    // 隐藏层：1层，每层3个神经元，sigmoid激活函数
    [HiddenLayerConfig(3, true, activationFunction)],
    // 输出层：1个神经元，sigmoid激活函数
    LayerFloat32x4(1, false, activationFunction),
  );

  print('神经网络结构：$ann');

  // 使用反向传播算法进行训练
  var backpropagation = Backpropagation(ann, samplesSet);

  print('训练算法：$backpropagation');

  print('\n---------------------------------------------------');

  // 记录训练时间
  var chronometer = Chronometer('Backpropagation').start();

  // 开始训练，直到全局误差小于等于0.01
  bool achievedTargetError = backpropagation.trainUntilGlobalError(
    targetGlobalError: 0.01,
    maxEpochs: 50000,
    maxRetries: 10,
  );

  chronometer.stop(operations: backpropagation.totalTrainingActivations);

  print('---------------------------------------------------\n');

  // 计算当前全局误差
  var globalError = ann.computeSamplesGlobalError(samples);

  // 输出每个样本的实际输出与预期输出对比
  print('样本输出：');
  for (var i = 0; i < samples.length; ++i) {
    var sample = samples[i];
    var input = sample.input;
    var expected = sample.output;

    // 激活输入
    ann.activate(input);

    // 获取输出结果
    var output = ann.output;

    print('- $i> 输入: $input -> 输出: $output (期望值: $expected) -> 误差: ${output - expected}');
  }

  print('\n全局误差: $globalError');
  print('是否达到目标误差: $achievedTargetError\n');

  print(chronometer);
}

运行结果

当你运行上述代码时，你会看到类似以下的输出：

ANN<double, Float32x4, SignalFloat32x4, Scale<double>>{ layers: 2+ -> [3+] -> 1 ; ScaleDouble{0.0 .. 1.0}  ; ActivationFunctionSigmoid }
Backpropagation<double, Float32x4, SignalFloat32x4, Scale<double>, SampleFloat32x4>{name: Backpropagation}

---------------------------------------------------
Backpropagation> [INFO] Started Backpropagation training session "xor". { samples: 4 ; targetGlobalError: 0.01 }
Backpropagation> [INFO] Selected initial ANN from poll of size 100, executing 600 epochs. Lowest error: 0.2451509315860858 (0.2479563313068569)
Backpropagation> [INFO] (OK) Reached target error in 2317 epochs (107 ms). Final error: 0.009992250436771877 <= 0.01
---------------------------------------------------

样本输出：
- 0> 输入: [0, 0] -> 输出: [0.11514352262020111] (期望值: [0]) -> 误差: [0.11514352262020111]
- 1> 输入: [1, 0] -> 输出: [0.9083549976348877] (期望值: [1]) -> 误差: [-0.0916450023651123]
- 2> 输入: [0, 1] -> 输出: [0.9032943248748779] (期望值: [1]) -> 误差: [-0.09670567512512207]
- 3> 输入: [1, 1] -> 输出: [0.09465821087360382] (期望值: [0]) -> 误差: [0.09465821087360382]

全局误差: 0.009992250436771877
是否达到目标误差: true

Backpropagation{elapsedTime: 111 ms, hertz: 83495.49549549549 Hz, ops: 9268, startTime: 2021-05-26 06:25:34.825383, stopTime: 2021-05-26 06:25:34.936802}