引入matrix4cj创建了一个新的神经网络

bot4cj/src/main.cj

@@ -1,15 +1,23 @@
 package bot4cj
-import std.io.*
-import std.fs.*
+
+/* 
+ * 机器人脚本解析器 - 仓颉语言
+ *
+ */
+
+import std.argopt.*
+import std.collection.*
 import std.env.*
 import std.time.*
-import std.argopt.*
 import std.convert.*
-import std.collection.*
+import std.random.*
+import std.io.*
+import std.fs.*
 import stdx.encoding.json.*
 import bot4cj.hd.*
 import bot4cj.math.*
 import ctype4cj.*
+import cangjie_tpc::matrix4cj.Matrix
 
 /* ---- 神经网络输出路径 ---- */
 var NNS_OUT: Option<String> = None	
@@ -17,10 +25,10 @@ main(args: Array<String>): Int64 {
 	
 	/* ---- 解析命令行参数 ---- */
 	let specs = [
-		ArgumentSpec.Long("help", ArgumentMode.NoValue),	/* ---- 拉起帮助菜单           ---- */
-		ArgumentSpec.Short(r'i', ArgumentMode.RequiredValue),	/* ---- 神经网络模型    - 输入 ---- */
-		ArgumentSpec.Short(r'o', ArgumentMode.RequiredValue),	/* ---- 神经网络模型    - 输出 ---- */
-		ArgumentSpec.Long("test", ArgumentMode.RequiredValue)	/* ---- 运行一个测试分支 - 需要输入测试类型 ---- */
+		ArgumentSpec.Long("help", ArgumentMode.NoValue),	/* ---- 拉起帮助 ---- */
+		ArgumentSpec.Short(r'i', ArgumentMode.RequiredValue),	/* ---- 输入模型 ---- */
+		ArgumentSpec.Short(r'o', ArgumentMode.RequiredValue),	/* ---- 输出模型 ---- */
+		ArgumentSpec.Long("test", ArgumentMode.RequiredValue)	/* ---- 输入一个测试 ---- */
 	]
 
 	/* ---- 执行解析 ---- */
@@ -30,10 +38,10 @@ main(args: Array<String>): Int64 {
 	//---------------------------
 	/* 读取设置项 */
 
-	/*---------------------------*/
-	/*---------------------------*/
-	/* 初始化神经网络 （init nn）
-	 * TODO: 可以去掉内部初始化参数，使用矩阵式模板进行初始化 */
+	/*
+	 *  初始化神经网络 （init nn）
+	 *  TODO: 可以去掉内部初始化参数，使用矩阵式模板进行初始化
+	 */
 
 
 	//var nns: ArrayList<Nn> = 
@@ -53,28 +61,27 @@ main(args: Array<String>): Int64 {
 		NNS_OUT = Option<String>.Some(options['o'])
 	}
 
-	/*---------------------------*/
 	/*---------------------------*/
 	/* 分支选择 */
 
 
-	/* -------- 拉起帮助手册
-	 * -------- */
+	/* -------- 拉起帮助手册 -------- */
 	if  (options.contains("help")) {
 		print_help()
 		return 0
 	}
 
-	/* -------- 启动一个测试分支
-	 * -------- */
+	/* -------- 启动一个测试分支 -------- */
 	else if (options.contains("test")) {
 		run_test(options["test"])
 		return 0
 	}
 
-	/* -------- 缺省行为：从标准输入获取动作脚本
-	 * --------
-	 * -------- TODO(20260519-qing): 进行脚本引入（相对路径也可，从**环境变量**的路径中搜寻也可）  */
+	/*
+	 *  缺省行为：从标准输入获取动作脚本
+	 * 
+	 *  TODO(20260519-qing): 进行脚本引入（相对路径也可，从**环境变量**的路径中搜寻也可）
+	 */
 	else {
 		let consoleReader = getStdIn()
 		let robot = RobotStruct(consoleReader)
@@ -82,12 +89,11 @@ main(args: Array<String>): Int64 {
 			robot.active()
 			robot.run()
 		}
-		finally {
-			robot.deactive()
-		}
 
-		/* ---- NOTE(20260523-qing): 储存微调网络模型
-		 * ---- */
+		/* 无论有没有成功激活，都进行清理 */
+		finally { robot.deactive() }
+
+		/* NOTE(20260523-qing): 储存微调网络模型 */
 //		let consoleReader = getStdIn()
 //		run_action_drl(consoleReader, nns)
 //		if (options.contains("o")) {
@@ -98,8 +104,7 @@ main(args: Array<String>): Int64 {
 	return 0
 }
 
-/* -------- 打印帮助手册
- * -------- */
+/* -------- 打印帮助手册 -------- */
 func print_help()
 {
 	println("这是一个机器人动作脚本解析器。")
@@ -112,13 +117,14 @@ func print_help()
 	println("-o  设置输出的模型的路径")
 }
 
-/* -------- 集成多种常规测试、临时测试
- * -------- */
+/* -------- 集成多种常规测试、临时测试 -------- */
 func run_test(key: String) {
 
-	/* ----------- 神经网络与门测试
-	 * -----------
-	 * ----------- INFO: 我们使用随机生成的动态数据集，这样会导致一些后果 */
+	/*
+	 * 神经网络与门测试
+	 *
+	 * INFO: 我们使用随机生成的动态数据集，这样会导致一些后果
+	 */
 	if (key == "nn") {
 		let nn_t = ArrayList<Nn1>()
 		nn_t.add(Nn1(2, 4, 0.05f32, Af.Leaky_ReLU(FP32(0.01))))
@@ -139,6 +145,35 @@ func run_test(key: String) {
 		}
 	}
 
+	else if (key == "nn1") {
+
+		let m = Matrix(1, 2)
+		let t = Matrix(1, 2)
+
+		//let random = Random()
+		let random = Random(UInt64(DateTime.now().nanosecond))
+		let a = random.nextInt8(2)
+		let b = random.nextInt8(2)
+		let t0 = if ((a == 0 &&  b == 0) || (a ==1 && b == 1)) { 1.0f64 } else { 0.0f64 }    
+		let t1 = if (a  != b) { 1.0f64 } else { 0.0f64 }    
+		m.set(0, 0, Float64(a))
+		m.set(0, 1, Float64(b))
+		t.set(0, 0, t0)
+		t.set(0, 1, t1)
+
+		let nns = Nns()
+		nns.add(Nn2(2, 4, 0.01f64, Af.ReLU))
+		nns.add(Nn2(4, 2, 0.01f64, Af.ReLU))
+		let num = 200
+		let prt_num = 10
+		for (i in 0..num) {
+			let loss = nns.train(m, t, 1.0f64)
+			if (i % prt_num == prt_num-1) {
+				println("${i}\t: ${loss}")
+			}
+		}
+	}
+
 
 	else if (key == "cnn") {
 		testCNN()