用java写bp神经网络（三）

孔子曰，吾日三省吾身。我们如果跟程序打交道，除了一日三省吾身外，还要三日一省吾代码。看代码是否可以更简洁，更易懂，更容易扩展，更通用，算法是否可以再优化，结构是否可以再往上抽象。代码在不断的重构过程中，更臻化境。佝偻者承蜩如是，大匠铸剑亦复如是，艺虽小，其道一也。所谓苟日新，再日新，日日新。

本次对前两篇文章代码进行重构，主要重构函数接口体系，和权重矩阵的封装。

简单函数

所说函数，是数学概念上的函数。数学上的函数，一般有一自变量$x$（输入）和对应的值$y=f(x)$（输出）。其中$x$可以是个数字，一个向量，一个矩阵等等。我们用泛型定义如下：

public interface Function<I,O> {
  O valueAt(I x);
}

I代表输入类型，O代表输出类型。

有的函数是可微的，比如神经网络的激活函数。可微函数除了是一个函数，还可求出给定$x$处的导数，或者梯度。而且梯度类型与自变量类型一致。用泛型定义如下：

public interface DifferentiableFunction<I,O> extends Function<I,O> {
  I derivativeAt(I x);
}

同时，考虑到某些函数，在求得值和导数时，共同用到了一些中间变量，或者后一个可以用到前一个的结果，我们定义了PreCaculate接口。当我们判定一个函数实现了PreCaculate接口时，我们首先调用它的PreCaculate接口，让它预先计算出一些有用的中间变量，然后再调用其valueAt和derivativeAt求得其具体的值，这样可以节省一些操作步骤。定义如下：

public interface PreCaculate<I> {
	void preCaculate(I x);
}

基于上面的定义，我们定义神经网络的激活函数的类型为：

public interface ActivationFunction extends DifferentiableFunction<DoubleMatrix, DoubleMatrix>

即我们激活函数是一个可微函数，输入为一个矩阵(netResult),输出为一个矩阵（finalResult）。

带参函数

有些函数，除了自变量外，还有一些其它的系数，或者参数，我们称为超参数。比如误差函数，目标值为参数，输出值为自变量。这类函数接口定义如下：

public interface ParamFunction<I,O,P> {
	O valueAt(I x,P param);
}

类似的，定义其微分接口如下：

public interface DifferentiableParamFunction<I, O, P> extends ParamFunction<I, O, P> {
	I derivativeAt(I x,P param);
}

我们的误差函数定义如下：

public interface CostFunction extends DifferentiableParamFunction<DoubleMatrix,DoubleMatrix,DoubleMatrix>

输入，输出，参数都为矩阵。

组合矩阵

在神经网络的概念中，每两层之间有一个权重矩阵，偏置矩阵，如果输入字向量也要调整，那么还有一个字典矩阵。这些所有的矩阵随着迭代过程不断更新，以期使误差函数达到最小。从广义上来讲，训练样本就是超参数，这些所有的矩阵为自变量，误差函数就是优化函数。那么实质上，在调整权重矩阵时，自变量即这一系列的矩阵可以展开拉长拼接成一个超长的向量而已，其内部的结构已无关紧要。在jare的源码中，是把这些权重矩阵的值存储在一个长的double[]中，计算完毕后，再从这个doulbe[]中还原出各矩阵的结构。在这里，我们定义了一个类CompactDoubleMatrix名为超矩阵来从更高一层封装这些矩阵变量，使其对外表现出好像就是一个矩阵。

这个CompactDoubleMatrix的实现方式为，在内部维护一个DoubleMatrix的有序列表List<DoubleMatrix>，然后再执行加减乘除操作时，会批量的对列表中的所有矩阵执行。这样的封装，我们随后会发现将简化了我们大量代码。先把完整定义放上来。

public class CompactDoubleMatrix {
	List<DoubleMatrix> mats = new ArrayList<DoubleMatrix>();
 
	@SafeVarargs
	public CompactDoubleMatrix(List<DoubleMatrix>... matListArray) {
		super();
		this.append(matListArray);
	}
 
	public CompactDoubleMatrix(DoubleMatrix... matArray) {
		super();
		this.append(matArray);
	}
 
	public CompactDoubleMatrix() {
		super();
	}
 
	public CompactDoubleMatrix addi(CompactDoubleMatrix other) {
		this.assertSize(other);
		for (int i = 0; i < this.length(); i++)
			this.get(i).addi(other.get(i));
		return this;
	}
 
	public void subi(CompactDoubleMatrix other) {
		this.assertSize(other);
		for (int i = 0; i < this.length(); i++)
			this.get(i).subi(other.get(i));
	}
 
	public CompactDoubleMatrix add(CompactDoubleMatrix other) {
		this.assertSize(other);
		CompactDoubleMatrix result = new CompactDoubleMatrix();
		for (int i = 0; i < this.length(); i++) {
			result.append(this.get(i).add(other.get(i)));
		}
		return result;
	}
 
	public CompactDoubleMatrix sub(CompactDoubleMatrix other) {
		this.assertSize(other);
		CompactDoubleMatrix result = new CompactDoubleMatrix();
		for (int i = 0; i < this.length(); i++) {
			result.append(this.get(i).sub(other.get(i)));
		}
		return result;
	}
 
	public CompactDoubleMatrix mul(CompactDoubleMatrix other) {
		this.assertSize(other);
		CompactDoubleMatrix result = new CompactDoubleMatrix();
		for (int i = 0; i < this.length(); i++) {
			result.append(this.get(i).mul(other.get(i)));
		}
		return result;
	}
 
	public CompactDoubleMatrix muli(double d) {
 
		for (int i = 0; i < this.length(); i++) {
			this.get(i).muli(d);
		}
		return this;
	}
 
	public CompactDoubleMatrix mul(double d) {
		CompactDoubleMatrix result = new CompactDoubleMatrix();
		for (int i = 0; i < this.length(); i++) {
			result.append(this.get(i).mul(d));
		}
		return result;
	}
 
	public CompactDoubleMatrix dup() {
		CompactDoubleMatrix result = new CompactDoubleMatrix();
		for (int i = 0; i < this.length(); i++) {
			result.append(this.get(i).dup());
		}
		return result;
	}
 
	public double dot(CompactDoubleMatrix other) {
		double sum = 0;
		for (int i = 0; i < this.length(); i++) {
			sum += this.get(i).dot(other.get(i));
		}
		return sum;
	}
 
	public double norm() {
		double sum = 0;
		for (int i = 0; i < this.length(); i++) {
			double subNorm = this.get(i).norm2();
			sum += subNorm * subNorm;
		}
		return Math.sqrt(sum);
	}
 
	public void assertSize(CompactDoubleMatrix other) {
		assert (other != null && this.length() == other.length());
		for (int i = 0; i < this.length(); i++) {
			assert (this.get(i).sameSize(other.get(i)));
		}
	}
 
	@SuppressWarnings("unchecked")
	public void append(List<DoubleMatrix>... matListArray) {
		for (List<DoubleMatrix> list : matListArray) {
			this.mats.addAll(list);
		}
	}
 
	public void append(DoubleMatrix... matArray) {
		for (DoubleMatrix mat : matArray)
			this.mats.add(mat);
	}
 
	public int length() {
		return mats.size();
	}
 
	public DoubleMatrix get(int index) {
		return this.mats.get(index);
	}
 
	public DoubleMatrix getLast() {
		return this.mats.get(this.length() - 1);
	}
}

以上介绍了对各抽象概念的封装，下章介绍使用这些封装如何简化我们的代码。