Flutter未知功能插件synadart的潜在使用

Flutter未知功能插件synadart的潜在使用

synadart

synadart库可以用于创建任何复杂程度的神经网络，并且可以通过研究其极其干净的实现来学习源代码。

启动我们的第一个网络

要开始使用synadart，我们首先需要将其导入到项目中：

import 'package:synadart/synadart.dart';

接下来，我们需要创建一个我们选择类型的网络。让我们创建一个序列网络，在其中每个层有一个输入和一个输出张量。这应该相当简单：

final network = Sequential(learningRate: 0.3);

我们的网络目前是空的；它没有包含任何层，因此也没有神经元。现在让我们添加三个层：输入层、一个隐藏层和输出层：

network.addLayers([
  Dense(15, activationAlgorithm: ActivationAlgorithm.sigmoid),
  Dense(5, activationAlgorithm: ActivationAlgorithm.sigmoid),
  Dense(1, activationAlgorithm: ActivationAlgorithm.sigmoid),
]);

现在我们的网络有了结构，我们可以开始使用它了。不过，我们的网络还没有训练过，对它做的事情一无所知。现在该训练它了。

首先，我们将创建一个预期值列表，即我们期望网络输出的值。在这里，我们期望得到数字“5”。

final expected = [
  [0.01], // 0
  [0.01], // 1
  [0.01], // 2
  [0.01], // 3
  [0.01], // 4
  [0.99], // 5 ( 这是我们期待的 )
  [0.01], // 6
  [0.01], // 7
  [0.01], // 8
  [0.01], // 9,
];

太棒了，我们现在期望我们的婴儿网络神奇地输出数字“5”，而没有教它任何东西。哦，对了——这就是训练数据的作用！

我们必须告诉网络每个预期输出值与什么相关联。现在让我们教它一些数字：

final trainingData = [
  '111101101101111'.split('').map(double.parse).toList(), // Pixel representation of a 0,
  '001010001001001'.split('').map(double.parse).toList(), // a 1,
  '111001111100111'.split('').map(double.parse).toList(), // a 2,
  '111001111001111'.split('').map(double.parse).toList(), // a 3,
  '101101111001001'.split('').map(double.parse).toList(), // a 4,
  '111100111001111'.split('').map(double.parse).toList(), // a 5,
  '111100111101111'.split('').map(double.parse).toList(), // a 6,
  '111001001001001'.split('').map(double.parse).toList(), // a 7,
  '111101111101111'.split('').map(double.parse).toList(), // an 8,
  '111101111001111'.split('').map(double.parse).toList(), // and a 9.
];

现在我们已经授予我们的网络总共10个数字来学习，我们可以开始用我们设置好的值训练网络：

network.train(inputs: trainingData, expected: expected, iterations: 5000);

太好了！我们已经使用像素表示的数字图像训练了我们的网络，并且我们的网络现在能够相对自信地识别数字“5”。。 最后一步是自己测试网络的能力。

让我们给我们的网络一些扭曲的数字“5’的像素表示：

final testData = [
  '111100111000111'.split('').map(double.parse).toList(),
  '111100010001111'.split('').map(double.parse).toList(),
  '111100011001111'.split('').map(double.parse).toList(),
  '110100111001111'.split('').map(double.parse).toList(),
  '110100111001011'.split('').map(double.parse).toList(),
  '111100101001111'.split('').map(double.parse).toList(),
];

为了检查网络在识别扭曲的“5’时的信心：

for (final test in testData) {
  print('Confidence in recognising a distorted 5: ${network.process(test)}');
}

示例代码

import 'package:synadart/src/layers/core/dense.dart';
import 'package:synadart/synadart.dart';

void main() {
  final network = Sequential(
    learningRate: 0.2,
    layers: [
      Dense(
        size: 15,
        activation: ActivationAlgorithm.sigmoid,
      ),
      Dense(
        size: 5,
        activation: ActivationAlgorithm.sigmoid,
      ),
      Dense(
        size: 1,
        activation: ActivationAlgorithm.sigmoid,
      ),
    ],
  );

  // 我们期望得到数字"5".
  final expected = [
    [0.01], // 0
    [0.01], // 1
    [0.01], // 2
    [0.01], // 3
    [0.01], // 4
    [0.99], // 5
    [0.01], // 6
    [0.01], // 7
    [0.01], // 8
    [0.01], // 9
  ];

  // 训练数据包含不同的数字模式。
  final trainingData = [
    '111101101101111'.split('').map(double.parse).toList(),
    '001010101001001'.split('').map(double.parse).toList(),
    '111001111100111'.split('').map(double.parse).toList(),
    '111001111001111'.split('').map(double.parse).toList(),
    '101101111001001'.split('').map(double.parse).toList(),
    '111100111001111'.split('').map(double.parse).toList(), // 5
    '111100111101111'.split('').map(double.parse).toList(),
    '111001001001001'.split('').map(double.parse).toList(),
    '111101111101111'.split('').map(double.parse).toList(),
    '111101111001111'.split('').map(double.parse).toList(),
  ];

  // 测试数据包含扭曲的数字"5"的模式。
  final testData = [
    '111100111000111'.split('').map(double.parse).toList(),
    '111100010001111'.split('').map(double.parse).toList(),
    '111100011001111'.split('').map(double.parse).toList(),
    '110100111001111'.split('').map(double.parse).toList(),
    '110100111001011'.split('').map(double.parse).toList(),
    '111100101001111'.split('').map(double.parse).toList(),
  ];

  // 数字"5"本身。
  final numberFive = trainingData[5];

  // 使用训练和 预期数据训练网络。
  network.train(inputs: trainingData, expected: expected, iterations: 20000);

  print('Confidence in recognising a 5: ${network.process(numberFive)}');
  for (final test in testData) {
    print('Confidence in recognising a distorted 5: ${network.process(test)}');
  }
  print('Is 0 a 5? ${network.process(trainingData[0])}');
  print('Is 8 a 5? ${network.process(trainingData[8])}');
  print('Is 3 a 5? ${network.process(trainingData[3])}');
}