国内代理商继续更新 Flash Player

第一个示例是时间序列预测问题，其中我们用一系列现有数值(蓝色)训练神经网络，以便预测未来的时间步长(红色)。

如果我们按照这些家庭多年来的每月精力支出进行排序，我们可以看到正弦曲线趋势呈上升趋势，而突然下降。

正弦曲线部分的背景可能是整个夏季(从夏季到冬季)再到夏季的不同能量需求。精力充沛的支出增长可能来自使用更多的电器和设备，或者转换为可能需要更多能源的更强大的电器和设备。突然跌倒的背景可能意味着一个人长大了足以离开家，而那个人所需的能量不再在那里。

您越了解上下文，通常可以通过连接输入向量将更多信息提供给网络，以帮助网络理解数据。在这种情况下，对于每个月，我们可以将三个更多的值与能源联系起来，这些价值包括电器和设备的数量，其能量效率以及家庭容纳的人数。

自然语言处理

玛丽骑自行车，自行车是____。

第二个例子是自然语言处理问题。这也是一个很好的例子，因为神经网络必须考虑现有句子提供的上下文来完成它。

假设我们的网络经过训练，可以用所有格代词完成句子。一个受过良好训练的网络将理解该句子是用第三人称单数构成的，并且Mary最有可能是女性名字。因此，预测代词应该是"她的"而不是男性的"他的"或复数的"他们的"。

现在，我们已经看到了两个排序数据的例子，让我们探索网络向前和向后传播的过程。

RNN配置

如我们所见，RNN从序列中提取信息以提高其预测能力。
 

解决方案：

• 第一个方案：把入参用实体类接收，不要使用JsonObject
• 第二个方案：与上面的解决Date类型问题类似，自己定义一个Adaptor，来接受数字，并且处理。这种想法我觉得可行但是难度较大，可能会影响到别的类型的解析，需要在设计适配器的时候格外注意。

总结

这篇文章主要是为了那些需要将项目迁移到Gson框架的同学们准备的。

一般来说，个人小项目，是不需要费这么大精力去做迁移，所以这篇文章可能目标人群比较狭窄。

但文章中也提到了不少通用问题的解决思路，比如怎么评估迁移框架的必要性。其中需要考虑到框架兼容性，两者性能差异，迁移耗费的工时等很多问题。
 

如果使用这种代码，其实就是使用Gson来解析json字符串。但是这种写法的风险是很高的，平常请大家尽量避免使用JsonObject直接接受参数。

在Gson中，JsonObject若是有数字字段，会统一序列化为double，也就是会把count = 0这种序列化成count = 0.0。

为何会有这种情况?简单的来说就是Gson在将json解析为Object类型时，会默认将数字类型使用double转换。

• 如果Json对应的是Object类型，最终会解析为Map类型;其中Object类型跟Json中具体的值有关，比如双引号的""值翻译为STRING。我们可以看下数值类型(NUMBER)全部转换为了Double类型，所以就有了我们之前的问题，整型数据被翻译为了Double类型，比如30变为了30.0。

可以看下Gson的ObjectTypeAdaptor类，它继承了Gson的TypeAdaptor抽象类：

（编辑：长春站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!