情景: 听说AI很火，DeepLearning很厉害，想来了解一下。于是满怀热情地打开一片文章。。。5分钟后，很快啊，就被各种概念、数学公式劝退了。想尝试运行一下代码，又被各种python、C++折磨。
工程思维习惯先跑起来再慢慢调试了解。为了顺利迈出第一步，接下来尝试用java & 小学概念来训练一个手写数字识别的DeepLearning模型。
完整代码:
背景
程序开发过程，其实是对现实的一种抽象，并翻译成电脑可以理解的语言，让电脑运行。
但是有些事物并不是那么确定且容易描述的，比如：如何向电脑描述图片中的数字？
我们可以一眼就识别出这个数字，但是没办法反推并描述这个过程。走一步算一步吧，先把代码写起来。
从程序开发角度，我们会定义一个接口函数，明确这个函数的输入、输出。
Integer recognition(Image img); 但是在实现函数时，感觉无从下手。这时就需要DeepLearning来帮助我们完成这个函数。可以认为模型就是这个函数的实现，而训练模型的过程就是编写(or 发现)这个函数。
概念
训练模型的过程是让DeepLearning去发现一个函数，我们需要描述这个函数长什么样。
数据集
首先，我们会定义这个模型的输入和输出。
图像大小为28×28，因为是 灰度图 ，每个像素点只有黑白两种状态。用一个标识来描述处于某种状态，则模型的输入为一个大小为28×28的一维数组。预期的输出为数字识别，所以结果为0-9共10个数字，可以认为输出是一个大小为10的一维数组。
byte [10] recognition(byte[28*28] img); 
因为不知道如何描述这个映射关系，所以我们采用了另一种方式: 并不定义实现，而是拿一些已有数据，让模型自己总结其中的规律。
比如，输入一个数字6的图片，告诉模型这张图片最终会映射为6。也就是说我们的输入包括两部分图像本身(Data)和表示的内容6(Label)。
在模型训练的过程中需要使用大量的数据(Data+Label)，这一批数据称之为数据集( Dataset )。而数据集因为作用不同，又会被划分为
- 训练集
- 验证集
- 测试集
这3个概念非常符合我们的学习过程
- 训练集: 课堂教学。老师上课时为了描述1+1=2时，举的例子1个苹果+一个苹果，最终拿到2个苹果。
- 验证集: 课后作业。看一下学生的掌握情况，决定下一步的教学。同时为了避免学生过分背题(这还有一个高大上的名字叫做”过拟合”)，导致只知道苹果+苹果，而不知道香蕉+香蕉。
- 测试集: 期末考试。为判断学生是否真正掌握了知识，用上课时未出现的题目进行测试。
神经网络
模型自己总结映射关系，可以认为是学习的概念，那深度的概念如何体现呢？经过实验发现，如果在输入、输出之间增加一些层(layer)进行映射，会得到更好的效果。增加的这些层被称为Hidden Layers，深度也就是指Hidden Layers的层数。
那么多少层会得到最好的效果呢？随缘吧。
并没有公式可以指导我们建立多少层，只能通过实验结果反证在什么样的layer可以获得好的效果。
代码
通过djl来帮助我们完成模型训练及使用
<dependency>
<groupId>ai.djl</groupId>
<artifactId> api </artifactId>
<version>${djl.version}</version>
</dependency>
Dataset
在数据制备阶段，通过图像Data的名称来描述Label，并放到相关文件目录下。
扫描文件目录进行加载，并提供Data+Label的获取方式
Train
按照输入输出，并设置2层hidden layers构成Block，将数据集以每次一张图片(Shape)的方式进行计算。
在性能检测中有一个Accuracy指标，表示的意思是 正确的数量/总数量 ， 但是不能只依赖这个指标作为模型性能的判断。比如，我训练一个模型预测北京一年内某天是否会 沙尘暴 ，如果这一年只有一天沙尘暴，而我的模型预测每一天都不会沙尘暴，那模型的Accuracy为364/365>99% 但显然这个模型是失败的。
inference
使用模型时，需要设定同样的Block，图像经过映射后会得到一个结果，但是并不会得到唯一解，而是获取多个结果及可能性比例。可以选择获取best
其他
模型学习的是知识，data和label之间要具备因果关系。比如：名字和是否能上清华之间存在关系吗？显然不，你不能训练一个模型来预测某个名字的人能否上清华。你还要加入生辰八字。。等等，我好像已经发现了一条致富之路，不说了，我要带着模型去摆摊了
