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， 详细列举部分主要内置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-1.1.7Maven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。
对语言训练模板中的语句进行词向量嵌入训练
SentenceConfig sentenceConfig = new SentenceConfig();//语句训练配置类
WordEmbedding wordEmbedding = new WordEmbedding();//word2Vec训练及生成器
wordEmbedding.setConfig(sentenceConfig);//词向量装载配置参数类
SentenceModel sentenceModel = new SentenceModel();//装载训练样本类
for (Sentence sentence : sentences) {//读取模板语句
sentenceModel.setSentence(sentence.getWord());
}
wordEmbedding.init(sentenceModel, wordVectorDimension);//wordVectorDimension 设置词向量维度
WordTwoVectorModel wordTwoVectorModel = wordEmbedding.start();//word2Vec词向量嵌入训练器开始训练
String model = JSON.toJSONString(wordTwoVectorModel);//训练完毕 保存模型
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 #,#,#%
词嵌入训练之前，对模板语句进行随机乱序重新排列后再进行训练是有帮助的，可以打乱一些人工标注的规律性痕迹
wordTemple初始化词嵌入生成器要进行单例化，在内存中长期持有。
语句模型训练
//语句训练类，参数分别是上文的语句配置类，和训练完毕或者注入模型后的词向量嵌入生成器。 RRNerveManager randomNerveManager =new RRNerveManager(getSentenceConfig(), getWordEmbedding(), true); Map<Integer, List<String>> model = new HashMap<>();//训练语句模板，主键是类别id,值是该类别id下所有模板语句 RandomModel mySentenceModel = randomNerveManager.studyType(model);//开始学习 String sentenceModel = JSON.toJSONString(mySentenceModel);//学习完成保存模型
RandomNerveManager初始化语句模型要进行单例化，在内存中长期持有。
RandomNerveManager的构造参数getWordEmbedding()是依赖已经训练或注入模型完毕，已经单例化的词嵌入生成器
中文语句词嵌入及语义识别注入模型
SentenceConfig sentenceConfig = new SentenceConfig();//语句训练配置类
WordEmbedding wordEmbedding = new WordEmbedding();//word2Vec训练及生成器
wordEmbedding.insertModel(readWord2VecModel(),wordVectorDimension);//注入词嵌入模型,wordVectorDimension词向量维度与训练的词向量该参数保持一致
RRNerveManager randomNerveManager = new RRNerveManager(sentenceConfig, wordEmbedding，false);//中文语义分类器
randomNerveManager.insertModel(readSentenceModel());//注入中文语义分类模型
RandomNerveManager注入语句模型后要进行单例化，在内存中长期持有。
WordEmbedding注入词嵌入模型后要进行单例化，在内存中长期持有。
中文语句语义识别
String word ="识别语句";
RRNerveManager randomNerveManager = beanMangerOnly.getRRNerveManager();//单例化获取的注入过模型的中文语义识别器
Trust trust = randomNerveManager.getType(word, SnowflakeIdWorker.get().nextId());//获取结果 后者参数是一个用户线程，一个唯一id来保证线程安全
int type = trust.getKeys();//获取结果id type为类别id
返回结果是集合，若用户在配置类里设置返回结果数量为1，那么集合中只有最大可能的结果，若设置多语义数量结果返回，则返回的是有可能的多个语义。
中文语句语义配置参数说明
private SentenceModel sentenceModel;//语句训练模板
private int typeNub = 11;//语义分类种类数
private int wordVectorDimension = 21;//词向量嵌入维度
private int maxWordLength = 15;//最大识别单句长度
private double weStudyPoint = 0.01;//学习率
private double weLParam = 0.001;//正则系数
private int randomNumber = 11;//网络集群数量
private int nerveDeep = 6;//集群网络中每个rnn网络的深度
private boolean showLog = true;//是否打印学习过程
private int dateAug = 12000;//数据增广量
private int TopNumber = 1;//获取最有可能的语义结果数量
maxWordLength增加单句长度，那么网络集群数量与集群网络中每个rnn网络的深度，数据增广量都要增加，需要更多的内存与更慢的计算速度（建议增加硬件配置），还有更多的训练样本，否则增加长度表现效果会直线下降。
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
理解用户输入的语句并根据语义直接回复用户
没有模型文件，选择初始化后进行样本学习，学习完成序列化实体类保存模型文件。
List<TalkBody> sentences = new ArrayList();//语句回复训练样本 CustomManager customManager = beanMangerOnly.getCustomManager();//语句生成管理器 customManager.init();//管理器初始化 CreatorModel creatorModel = customManager.study(sentences, 1);//进行训练并返回模型 String model = JSON.toJSONString(creatorModel);//序列化模型文件并保存该文件
训练样本实体
public class TalkBody {//语句回复训练样本
private String question;//问题
private String answer;//回答问题
}
有模型文件，则选择初始化后直接注入
CustomManager customManager = beanMangerOnly.getCustomManager();//语句生成管理器 customManager.init();//管理器初始化 customManager.insertModel(CreatorModel model);//若已有模型文件，则初始化管理器后，直接反序列化模型文件后注入管理器
完成初始化管理器，并注入模型后，用户输入语句进行回复
String word="广告可以退款么"//用户输入语句 long id=SnowflakeIdWorker.get().nextId()；//用户线程唯一ID，用来负责线程安全，推荐雪花算法生成的id; String answer = customManager.getAnswer(word, id);//返回回复语句
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
public void initRnn(boolean initPower, boolean isShowLog)//初始化神经网络为rnn网络
nerveManager.getSensoryNerves()获取感知神经元集合
//获取输入层神经元
public List<SensoryNerve> getSensoryNerves()
//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
//输入层发送参数
SensoryNerve.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。
/**
* 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 studyPoint 学习率
* @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 NerveJumpManager(int sensoryNerveNub, int hiddenNerveNub, int outNerveNub
, int hiddenDepth, ActiveFunction activeFunction, boolean isDynamic,
double studyPoint, int rzType, double lParam);
/**
* 初始化残差Rnn神经元(跳层)参数
* @param initPower 是否是首次进行训练
* @param isShowLog 是否打印续写过程中的参数
* @param toSoftMax 是否增加softMax输出层
* @throws Exception 如果参数错误则抛异常
*/
public void initRnn(boolean initPower, boolean isShowLog, boolean toSoftMax) throws Exception
//获取输入层神经元
public List<SensoryNerve> getSensoryNerves()
//输入层发送参数
/**
* @param eventId 唯一的事件id（每个用户线程一个id用来处理线程安全）
* @param parameter 该输入层的输入参数
* @param isStudy 是否是学习 (学习状态没有输出)
* @param E 标注
* @param outBack 回调结果
* @param isEmbedding 是否获取word2Vec返回结果(单独为词向量嵌入兼容，若无需则传false)
* @param rnnMatrix rnn参数全层数特征矩阵，矩阵中每一行是每一层的特征向量
* @param storeys 自定义跳层路径的数组，即在rnn中经过的隐层层数（隐层层数从1开始），若不在此路径集合内则跳跃
*/
SensoryNerve.postMessage(long eventId, double parameter, boolean isStudy, Map<Integer, Double> E
, OutBack outBack, boolean isEmbedding, Matrix rnnMatrix, int[] storeys)
int[] storeys来记录途径层数。
//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
public GMClustering(int speciesQuantity);//聚多少个类
public void insertParameter(Matrix matrix)//输入特征数组必须是行向量
public void start();//开始聚类
public double getProbabilityDensity(double[] feature)；//获取该特征的概率密度
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
19,double getSigmaByVector(boolean isRow, int index);计算矩阵中某一行或者某一列所有元素的和，isRow是否是行，index下标
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
//对两个相乘的矩阵中的一个求偏导，errorMatrix 为loss矩阵，isFirstPd=true 对相乘的前矩阵first求偏导,反之依然。
static Matrix matrixMulPd(Matrix errorMatrix, Matrix first, Matrix second, boolean isFirstPd);
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