public class HelloWorld {
  public static void testPic() throws Exception {
    //测试SPEED模式学习过程
    //初始化图像转矩阵类:作用就是说将一个图片文件转化为矩阵类
    Picture picture = new Picture();
    //初始化配置模板类,设置模式为SPEED_PATTERN模式 即速度模式
    TempleConfig templeConfig = getTemple(true, StudyPattern.Speed_Pattern);
    //初始化计算类，并将配置模版载入计算类
    Operation operation = new Operation(templeConfig);
    //标注主键为 第几种分类，值为标注 1 是TRUE 0是FALSE
    //给训练图像进行标注，健是分类的ID,对应的就是输出结果的ID值，值要么写0要么写1
    // 1就是 是这种分类，0就是不是这种分类
    Map<Integer, Double> rightTagging = new HashMap<>();//分类标注
    Map<Integer, Double> wrongTagging = new HashMap<>();//分类标注
    rightTagging.put(1, 1.0);
    wrongTagging.put(1, 0.0);
    // 例如上面的标注了 只有一种分类，第一个MAP是true标注，第二个map是false标注
    for (int i = 1; i < 999; i++) {
        System.out.println("开始学习1==" + i);
        //读取本地URL地址图片(适用于电脑本地图片),并转化成矩阵
        //注意学习图片至少要一千张+同物体的不同图片，推荐一万张
        //学习的越多就越准，拿同样的图片反复循环学习是没用的
        //picture.getImageMatrixByIo(InputStream) 另外一个api,是通过字节流读取图片矩阵,适用于网络传输的图片
        Matrix right = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/c/c" + i + ".png");
        Matrix wrong = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/b/b" + i + ".png");
        //将图像矩阵和标注加入进行学习，正确的图片配置正确的标注true，错误的图片配置错误的标注false
        //right这个矩阵是 正确的图片 所以要配置上面正确的标注1.0 学习告诉计算机这个图片是正确的
        operation.study(right, rightTagging);
        //wrong这个矩阵是错误的图片，所以要配置上面错误的标注0.0 学习 告诉计算机这个图片是错误的
        operation.study(wrong, wrongTagging);
    }
    //获取训练结束的模型参数，提取出来转化成JSON保存数据库，下次服务启动时不用学习
    //直接将模型参数注入
    //获取模型MODLE 这个模型就是我们程序学习的目的，学习结束后我们要拿到这个模型
    ModelParameter modelParameter = templeConfig.getModel();
    //将模型MODEL转化成JSON 字符串 保存到数据库 留待下次服务启动的时候，识别提取用
    String model = JSON.toJSONString(modelParameter);
    //以上就是SPEED模式下的学习全过程，识别的过程就是再次初始化，将学习结果注入之后使用
    //识别过程
    //将从数据库取出的JSON字符串转化为模型MODEL
    ModelParameter modelParameter1 = JSONObject.parseObject(model, ModelParameter.class);
    //初始化模型配置
    TempleConfig templeConfig1 = getTemple(false, StudyPattern.Speed_Pattern);
    //注入之前学习结果的模型MODEL到配置模版里面，将学习结果注入就可以使用识别了
    templeConfig1.insertModel(modelParameter1);
    //将配置模板配置到运算类
    Operation operation1 = new Operation(templeConfig1);
    //获取本地图片字节码转化成降纬后的灰度矩阵</br>
    Matrix right = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/test/a101.png");
    Matrix wrong = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/b/b1000.png");
    //进行图像识别 参数说明 eventId,事件id,因为输出结果是在回调类回调的，所以必须有个主键去判断事件
    //说明你回调是响应的哪一次调用的ID,所以每一次识别调用，请用不同的id
    operation1.look(wrong, 3);
    operation1.look(right, 2);
}

public static TempleConfig getTemple(boolean isFirst, int pattern) throws Exception {
    //创建一个配置模板类，作用：主要是保存及载入一些配置参数用
    TempleConfig templeConfig = new TempleConfig();
    //创建一个回调类，图像识别最后输出结果，在这个类输出，这个类要实现 OutBack接口
    Ma ma = new Ma();//创建一个回调类
    //将这个回调类注册到配置模版里 必写
    templeConfig.setOutBack(ma);
    //全连接层深度,选填可不填 不填默认值为2
    //这就像人类大脑的意识深度原理一样，深度学习越深，训练结果越准，但是训练量成几何倍数增加
    //比如默认深度是2 需要 正负模板各一千+张照片进行训练。识别率70%（数值只是举个例子，不是具体数值）
    //当深度改成3，则需要正负模板各三千+张照片进行训练,识别率 80%，深度4，八千+90%
    //以此类推，，内存允许的情况下，深度无限 识别率无限接近与百分之百
    //但是有极限，即超过某个深度，即使再增加深度，识别率反而会下降。需要具体不断尝试找到 合适的深度
    //注意：若深度提升，训练量没有成倍增长，则准确度反而更低！
    templeConfig.setDeep(2);
    //初始化配置模版，参数说明(int studyPattern, boolean initPower, int width, int height
    , int classificationNub)
    //studyPattern 学习模式：常量值 StudyPattern.Accuracy_Pattern;StudyPattern.Speed_Pattern
    //第一种模式精准模式，第二种模式是速度模式
    //精准模式顾名思义，准确相对高很多，但是缺点也很明显学习速度慢，不是一般的慢，CPU学习1000张图片
    //24小时都不够用！它学习速度比速度模式学习速度慢十倍都不止！但是执行识别速度上，却比速度模式还要快一点！
    //第二种速度模式，学习速度明显很快，一千张图片的学习大概一个半小时左右，但是精准度上差了一些
    //但是依然还是比较精准的，尤其做分类判断的时候，问题不大。
    //如何选择模式：在大部分情况下速度模式就够用了，在分类一张图片，比如这张图片有苹果的概率是多少
    //有橘子的概率是多少，精准度已经足够，它不是不精准，只是相对于精准模式要差一些
    //所以在大部分情况下，还是建议用速度模式，满足很多识别分类需求
    //initPower,是否是第一次初始化
    //学习就是学的模型参数，学完了要把模型参数类拿出来，序列化成JSON字符串，保存数据库
    //下次服务启动，读取JSON字符串，反序列化为MODEL模型 直接注入就可，无需再次学习
    //如果说你是要学习就写true,如果已经有学习结果了，你要注入之前的学习结果就是false
    //如果你选了false还没有进行注入的话，你取模型参数你可以看到所有参数都是0
    //width heigth ,要学习的图片宽高，注意：这个宽高不是严格图片尺寸，而是一个大致尺寸
    //要识别和学习的图片尺寸与这个宽高比 必要相差太大就好，而且宁长勿短
    //classificationNub 要识别的有几个分类，比如我就识别苹果，就是1 有两种苹果橘子就是 2
    templeConfig.init(pattern, isFirst, 3204, 4032, 1);
    return templeConfig;
}

public static void testModel() throws Exception {
    // 模型参数获取及注入 实例
    TempleConfig templeConfig = getTemple(true, StudyPattern.Accuracy_Pattern);
    ModelParameter modelParameter1 = templeConfig.getModel();
    String model = JSON.toJSONString(modelParameter1);
    System.out.println(model);
    TempleConfig templeConfig2 = getTemple(false, StudyPattern.Accuracy_Pattern);
    ModelParameter modelParameter3 = JSONObject.parseObject(model, ModelParameter.class);
    templeConfig2.insertModel(modelParameter3);
    ModelParameter modelParameter2 = templeConfig2.getModel();
    String model2 = JSON.toJSONString(modelParameter2);
    System.out.println(model2);
}

public static void testPic2() throws Exception {
    //测试Accuracy_Pattern 模式学习过程，跟SPEED模式相同的部分就不再说明了
    Picture picture = new Picture();
    TempleConfig templeConfig = getTemple(true, StudyPattern.Accuracy_Pattern);
    Operation operation = new Operation(templeConfig);
    //标注主键为 第几种分类，值为标注 1 是TRUE 0是FALSE
    Map<Integer, Double> rightTagging = new HashMap<>();//分类标注
    Map<Integer, Double> wrongTagging = new HashMap<>();//分类标注
    rightTagging.put(1, 1.0);
    wrongTagging.put(1, 0.0);
    for (int i = 1; i < 5; i++) {
        System.out.println("开始学习1==" + i);
        //读取本地URL地址图片,并转化成矩阵
        Matrix right = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/c/c" + i + ".png");
        Matrix wrong = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/b/b" + i + ".png");
        //将图像矩阵和标注加入进行学习 注意的是 Accuracy_Pattern 模式 要学习两次
        //这里使用learning方法，前两个参数与SPEED模式相同，多了一个第三个参数
        //第一次学习的时候 这个参数必须是 false
        operation.learning(right, rightTagging, false);
        operation.learning(wrong, wrongTagging, false);
    }
    for (int i = 1; i < 5; i++) {//神经网络学习
        System.out.println("开始学习2==" + i);
        //读取本地URL地址图片,并转化成矩阵
        Matrix right = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/c/c" + i + ".png");
        Matrix wrong = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/b/b" + i + ".png");
        //将图像矩阵和标注加入进行学习，Accuracy_Pattern 模式 进行第二次学习
        //第二次学习的时候，第三个参数必须是 true
        operation.learning(right, rightTagging, true);
        operation.learning(wrong, wrongTagging, true);
    }
    Matrix right = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/test/a101.png");
    Matrix wrong = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/b/b1000.png");
    //进行图像识别，Accuracy_Pattern 模式学习结果获取和注入，跟SPEED模式一致
    //若有疑问可以参考一下 testModel()方法
    operation.look(right, 2);
    operation.look(wrong, 3);
}}
回调输出类： 
public class Ma implements OutBack {
private int nub;

public void setNub(int nub) {
    this.nub = nub;
}

@Override
public void getBack(double out, int id, long eventId) {
    System.out.println("id==" + id + ",out==" + out + ",nub==" + nub);
}
}
回调类实现OUTBACK 接口 当检测结果输出的时候 会回调getBack方法
回调第一个参数是输出值 指的是 这个分类的概率 该数值是0-1之间的浮点
第二个参数是 分类的id 判断是训练的哪个分类的ID，
第三个参数是 事件ID,一次判断事件 使用一个ID,让开发者知道是哪次事件的回调判断