1.20版本发布 (#8)

* 文档更新

* 更新其中的1.17版本官方文档

* 开始新版本1.18的开发

开始开发任务

* update

* 新增矩阵 AGG 函数的逻辑实现

* update

* 新增边框对象

* update

* update

* 完善模板匹配函数的实现，增加步长，提升效率。

* update

* update

* 矩阵开始被归一化计算组件支持

* Update Case.md

* update

* 针对图像矩阵进行了合并功能的更新
* 针对IO数据流进行了优化。

* update

* 为AS库添加第三方数据源支持，并允许通过摄像头获取到图像数据

* update

* update

* update

* 更新HDFS数据IO组件

* update

* 1.18版本发布

* 1.18版本发布，新版本已发布至maven

* update log

* 更新日志中英文文档链接

* update

* 格式化文档

* Update Case.md

* Update Case.md

* Create sourceMaterial.md

* update

* 更新1.18版本的文档
* 更新主页文档

* 1.18-1.19版本开发开始

* update

* 新增 单例数据DF对象，其在存在大量重复数据的场景下，内存将节省很多倍。

* update

* update

* update

* update

* 支持目标外绝矩形，图像监督分类两种模型的计算。

* Update sourceMaterial.md

* Update sourceMaterial.md

* Update sourceMaterial.md

* update

* update

* 更新数学模型类
* 新增线性神经网络训练模型

* 数据输入设备对象升级

* Input HDFS 支持针对矩阵的输入操作
* 线性神经网络支持进行训练时的附加Task。

* update

* update

* 1.19版本上传至maven

* 更新1.19版本代码，准备合并分支

* update

* Update sourceMaterial.md

* update

* 更新了单层卷积神经网络模型

* update

* update

* Update sourceMaterial.md

* update

* Update sourceMaterial.md

* Update sourceMaterial.md

* Update sourceMaterial.md

* Update sourceMaterial.md

* Update sourceMaterial.md

* Update ASMath.java

* update

* 更新本地文件数据集加载器

* Update Share.java

* update

* 为所有的操作数对象添加不同维度形状的数据类型计算操作，例如其支持矩阵与向量或单个数值之间的计算操作。

* 为所有的操作数对象都提供了父类到子类的转换实现。

* 拓展灵活性

* 矩阵与矩阵空间操作数对象支持维度重设操作。

* 针对图像矩阵对象，新增了均值池化操作

* 图像矩阵新增均值池化与分通道均值池化的常量处理模块。

* 准备更新1.20版本

* 更新文档

* 矩阵灵活性提升，单例池灵活性提升

* 支持 fill 一个数值类型的矩阵对象
* 支持 clear 单例单元格数据存储池

* update

* 1.20版本发布

* 新版本更新

* 更新新版本文档

Author: BeardedManZhao

AsLib/libBeardedManZhao.dll

@@ -23,7 +23,7 @@ AS库目录有多个版本，如果希望查询不同版本的更新日志以及
     <dependency>
         <groupId>io.github.BeardedManZhao</groupId>
         <artifactId>algorithmStar</artifactId>
-        <version>1.19</version>
+        <version>1.20</version>
     </dependency>
 </dependencies>
 ```

README-Chinese.md

@@ -29,7 +29,7 @@ can add it to your maven project, or you can download it from Releases and manua
     <dependency>
         <groupId>io.github.BeardedManZhao</groupId>
         <artifactId>algorithmStar</artifactId>
-        <version>1.19</version>
+        <version>1.20</version>
     </dependency>
 </dependencies>
 ```

README.md

@@ -34,6 +34,24 @@
 ![test4](https://user-images.githubusercontent.com/113756063/229441864-ec1770d5-1154-4e9c-837e-a4acfc5fb259.jpg)
 ![赵](https://user-images.githubusercontent.com/113756063/231062465-f8396edb-993d-4c65-a1cc-43ea45c40359.jpg)
 
+![字母样本A](https://user-images.githubusercontent.com/113756063/234247437-32e5b5ff-0baf-4637-805c-27472f07fd17.jpg)
+![字母样本B](https://user-images.githubusercontent.com/113756063/235287575-fcd9f3a9-7be7-4528-8190-8c9e54cef7fd.jpg)
+![字母样本C](https://user-images.githubusercontent.com/113756063/235287578-29acf0f9-df03-4a62-8455-ed7a56f8f35c.jpg)
+![字母样本X](https://user-images.githubusercontent.com/113756063/234247472-1df7f892-89b5-467f-9d8d-eb397b92c6ce.jpg)
+![字母样本Y](https://user-images.githubusercontent.com/113756063/234247497-0a329b5d-a15d-451f-abf7-abdc1655b77d.jpg)
+![字母样本Z](https://user-images.githubusercontent.com/113756063/235150408-233cc477-c97d-48a1-b39e-ff9a497ea9ff.jpg)
+![字母A1](https://user-images.githubusercontent.com/113756063/234247630-46319338-b8e6-47bf-9918-4b734e665cf9.jpg)
+![字母B1](https://user-images.githubusercontent.com/113756063/235287584-90f2361b-0292-41cc-9469-6d4a64258c8d.jpg)
+![字母C1](https://user-images.githubusercontent.com/113756063/235287616-446108e1-1e1c-4416-991b-3b0cbb888d5b.jpg)
+![字母C2](https://user-images.githubusercontent.com/113756063/235335944-9e7b1a84-9b44-40d1-b943-30fc290b11ac.jpg)
+![字母X1](https://user-images.githubusercontent.com/113756063/234247550-01777cee-493a-420f-8665-da31e60a1cbe.jpg)
+![字母X2](https://user-images.githubusercontent.com/113756063/235150686-c4b84e78-1b24-409d-a26f-6a860ed104d8.jpg)
+![字母Y1](https://user-images.githubusercontent.com/113756063/234247607-bfc59b79-bc6a-4ff1-992c-7ab1e9fd0116.jpg)
+![字母Y2](https://user-images.githubusercontent.com/113756063/235150464-9d082c41-ae06-4ee7-a680-59e62cd55b10.jpg)
+![字母Z1](https://user-images.githubusercontent.com/113756063/235150989-e71036bd-f8bb-43b9-b566-e3131827d7ac.jpg)
+![字母2](https://user-images.githubusercontent.com/113756063/235335680-05f44579-9ea6-407b-b301-bf8774a68b2a.jpg)
+
+
 ## 风景类
 
 ![7c58100e7b96a7e87bf0e9b135e2e9f](https://user-images.githubusercontent.com/113756063/231062982-0620903f-183d-48fe-ad7b-d295fcbd7b95.jpg)

sourceMaterial.md

@@ -491,6 +491,8 @@ public class MAIN1 {
 
 线性随机神经网络相较于 线性神经网络训练模型 来说具有强大的兼容性和较好的性能，但是其牺牲了些精确度，线性随机神经网络模型的使用以及训练出来的模型从保存如下所示。
 
+- 1.19 版本中的线性神经网络计算实现案例
+
 ```java
 package zhao.algorithmMagic;
 
@@ -550,4 +552,90 @@ public class MAIN1 {
         ASModel.Utils.write(new File("C:\\Users\\zhao\\Desktop\\fsDownload\\MytModel.as"), model);
     }
 }
-```
+```
+
+- 1.20 版本中的图像分类模型训练案例。
+
+```java
+package zhao.algorithmMagic;
+
+import zhao.algorithmMagic.core.model.*;
+import zhao.algorithmMagic.core.model.dataSet.ASDataSet;
+import zhao.algorithmMagic.operands.matrix.ColorMatrix;
+import zhao.algorithmMagic.operands.matrix.DoubleMatrix;
+import zhao.algorithmMagic.operands.matrix.block.DoubleMatrixSpace;
+import zhao.algorithmMagic.operands.matrix.block.IntegerMatrixSpace;
+import zhao.algorithmMagic.operands.table.FinalCell;
+import zhao.algorithmMagic.operands.vector.DoubleVector;
+import zhao.algorithmMagic.utils.ASMath;
+import zhao.algorithmMagic.utils.dataContainer.KeyValue;
+
+import java.io.File;
+import java.util.Arrays;
+
+public class MAIN1 {
+
+    public static void main(String[] args) {
+
+        // 指定图尺寸
+        int w = 91, h = 87;
+
+        // 准备 CNN 神经网络模型
+        SingleLayerCNNModel singleLayerCnnModel = ASModel.SINGLE_LAYER_CNN_MODEL;
+        // 设置学习率
+        singleLayerCnnModel.setLearningRate(0.1f);
+        // 设置训练次数
+        singleLayerCnnModel.setLearnCount(200);
+        // 设置激活函数
+        singleLayerCnnModel.setActivationFunction(ActivationFunction.LEAKY_RE_LU);
+        // 设置损失函数
+        singleLayerCnnModel.setLossFunction(LossFunction.MAE);
+
+        // 准备卷积核，目标为突出图形轮廓
+        DoubleMatrix parse = DoubleMatrix.parse(
+                new double[]{-1, -1, -1},
+                new double[]{-1, 8, -1},
+                new double[]{-1, -1, -1}
+        );
+        DoubleMatrixSpace core = DoubleMatrixSpace.parse(parse, parse, parse);
+        // 设置 卷积核
+        singleLayerCnnModel.setArg(SingleLayerCNNModel.KERNEL, new FinalCell<>(core));
+        // 设置 附加任务 池化 然后进行二值化操作 TODO 注意 如果需要模型的保存，请使用 Class 的方式进行设置，使用 lambda 将会导致模型无法反序列化
+        // 如果不需要，此处可以不进行设置
+        singleLayerCnnModel.setTransformation(
+                new PoolBinaryTfTask(2, 1, true, 50, 0x011001, 0x010101, ColorMatrix._R_)
+        );
+
+        // 获取到字母数据集
+        ASDataSet load = ASDataSet.Load.LETTER.load(w, h);
+        // 将目标数值与权重设置到网络
+        singleLayerCnnModel.setWeight(load.getY_train(), load.getImageWeight());
+
+        // 准备训练时的附加任务 打印信息
+        SingleLayerCNNModel.TaskConsumer taskConsumer = (loss, g, weight1) -> {
+            System.out.println("\n损失函数 = " + loss);
+            System.out.println("梯度数据 = " + Arrays.toString(g));
+        };
+
+        // 训练出结果模型
+        long start = System.currentTimeMillis();
+        ClassificationModel<IntegerMatrixSpace> model = singleLayerCnnModel.function(taskConsumer, load.getX_train());
+        System.out.println("训练模型完成，耗时：" + (System.currentTimeMillis() - start));
+        // 保存模型
+        ASModel.Utils.write(new File("C:\\Users\\Liming\\Desktop\\fsDownload\\MytModel.as"), model);
+
+
+        // 提供一个新图 开始进行测试
+        IntegerMatrixSpace parse1 = IntegerMatrixSpace.parse("C:\\Users\\Liming\\Desktop\\fsDownload\\字母5.jpg", w, h);
+        // 放到模型中 获取到结果
+        KeyValue<String[], DoubleVector[]> function = model.function(new IntegerMatrixSpace[]{parse1});
+        // 提取结果向量
+        DoubleVector[] value = function.getValue();
+        // 由于被分类的图像对象只有一个，因此直接查看 0 索引的数据就好 这里是一个向量，其中每一个索引代表对应索引的类别得分值
+        System.out.println(value[0]);
+        // 查看向量中不同维度对应的类别
+        System.out.println(Arrays.toString(function.getKey()));
+        System.out.println("当前图像类别 = " + function.getKey()[ASMath.findMaxIndex(value[0].toArray())]);
+    }
+}
+```