MachineLearning/X3_new.py

import os
import cv2
import numpy as np
import tkinter as tk
from tkinter import filedialog
from read_data import *
from PIL import Image

class ModelObj: # 网络对象
    def __init__(self, ObjID, ObjType, ObjLable, ParaString, ObjX, ObjY):
        self.ObjID = ObjID  # 图元号
        self.ObjType = ObjType  # 图元类别
        self.ObjLable = ObjLable  # 对象标签
        self.ParaString = ParaString  # 参数字符串
        self.ObjX = ObjX  # 对象位置x坐标
        self.ObjY = ObjY  # 对象位置y坐标

class Data_Class(ModelObj):  # 数据集网络对象
    def __init__(self, ObjID, ObjType, ObjLable, ParaString, ObjX, ObjY):
        super().__init__(ObjID, ObjType, ObjLable, ParaString, ObjX, ObjY)
        self.LoadData = self.load_data  # 基本操作函数
        self.SetDataPara = self.set_data_para  # 参数设置函数

    # 定义加载数据集load_data()
    def load_data(self, DataPara):
        global SubFolders
        listimages = []  # 存储图片的列表
        list_path = []
        SubFolders, train_Path = read_folders(DataPara["train_imgPath"])
        list_path.append(train_Path)
        _, path_list = read_folders(DataPara["test_imgPath"])
        list_path.append(path_list)
        for data_path in list_path:
            images = []  # 存储图片的列表
            for path in data_path:
                # print(path)
                img = self.image_to_array(path, DataPara["img_width"], DataPara["img_height"])  # 读取图片数据
                img = img.T  # 转置，图像的行和列将互换位置。
                images.append(img)  # 将图片数组添加到训练集图片列表中
            listimages.append(np.array(images))  # 返回转换后的数组
        return listimages[0], listimages[1]

    def set_data_para(self):# 定义加载数据集的参数SetLoadData()
        # 设置数据集路径信息
        train_imgPath = 'data_classification/train/'  # 训练集文件夹的位置
        test_imgPath = 'data_classification/test/'  # 测试集文件夹的位置
        img_width = 48  # 图片宽度
        img_height = 48  # 图片高度
        # 设置每批次读入图片的数量
        batch_size = 32  # 批次大小
        # 返回DataPara参数，这里用一个字典来存储
        DataPara = {"train_imgPath": train_imgPath,
                    "test_imgPath": test_imgPath,
                    "img_width": img_width,
                    "img_height": img_height,
                    "batch_size": batch_size}
        return DataPara

    # 定义一个函数，实现图片转换为数组的功能
    def image_to_array(self, path, height, width):
        img = Image.open(path).convert("L")  # 转换为灰度模式
        img = img.resize((height, width))  # 将图片缩放为height*width的固定大小
        data = np.array(img)  # 将图片转换为数组格式
        data = data / 255.0  # 将数组中的数值归一化，除以255
        return data

    def output(self):  # 输出方法
        # 创建一个空列表
        result = [self.ObjID, self.ObjType, self.ObjLable, self.LoadData,
                  self.SetDataPara, self.ParaString, self.ObjX, self.ObjY]
        return result
# if __name__ == '__main__':
#     DataSet = Data_Class("DataSet1", 1, "数据集1", ".", 120, 330)
#     print(DataSet)
class Conv_Class(ModelObj):  # 卷积对象
    def __init__(self, ObjID, ObjType, ObjLable, ParaString, ObjX, ObjY):
        super().__init__(ObjID, ObjType, ObjLable, ParaString, ObjX, ObjY)
        self.ConvProc = self.conv_proc  # 基本操作函数
        self.SetConvPara = self.setconv_para  # 参数设置函数
    # 定义卷积函数ConvProc()
    def conv_proc(self, image, ConvPara):
        # 获取输入数据的大小，这里假设是单通道的图片
        c, image_h, image_w = image.shape
        kernel_h = ConvPara["kernel_h"]  # 获取卷积核的大小和卷积核
        kernel_w = ConvPara["kernel_w"]
        kernel = ConvPara["kernel"]
        out_h = (image_h - kernel_h) // ConvPara["stride"] + 1  # 计算输出数据的大小
        out_w = (image_w - kernel_w) // ConvPara["stride"] + 1
        output = np.zeros((c, out_h, out_w))  # 初始化输出数据为零矩阵
        for k in range(c):  # 遍历每个通道
            for i in range(out_h):  # 遍历每个输出位置
                for j in range(out_w):
                    stride = ConvPara["stride"]  # 获得步长
                    output[k, i, j] = np.sum(
                        image[k, i * stride:i * stride + 3, j * stride:j * stride + 3] * kernel)  # 计算卷积操作
        return output  # 返回卷积计算后的数组（特征向量）

    def setconv_para(self):# 定义设置卷积参数的函数SetConvPara()
        kernel_h = 3  # 设置卷积核大小，这里假设是3x3
        kernel_w = 3
        kernel = [[1.289202, -1.471377, -0.238452],  # 卷积核为3x3的单位矩阵(高斯分布)
                  [-0.562343, -0.019988, -0.441446],
                  [1.627381, 1.390266, 0.812486]]
        stride = 1  # 设置步长，这里假设是1
        padding = 0  # 设置填充，这里假设是0
        ConvPara = {"kernel": kernel,  # 返回ConvPara参数，这里用一个字典来存储
                    "kernel_h": kernel_h,
                    "kernel_w": kernel_w,
                    "stride": stride,
                    "padding": padding}
        return ConvPara

    def output(self):  # 输出方法
        # 创建一个空列表
        result = [self.ObjID, self.ObjType, self.ObjLable, self.ConvProc, self.SetConvPara, self.ParaString, self.ObjX,
                  self.ObjY]
        return result


class Pool_Class(ModelObj):  # 池化对象
    def __init__(self, ObjID, ObjType, ObjLable, ParaString, ObjX, ObjY):
        super().__init__(ObjID, ObjType, ObjLable, ParaString, ObjX, ObjY)
        self.MaxPoolProc = self.pool_proc  # 基本操作函数
        self.SetPollPara = self.setpool_para  # 参数设置函数

    def pool_proc(self, image, PoolPara):
        pool_mode = PoolPara["pool_mode"]
        pool_size = PoolPara["pool_size"]
        stride = PoolPara["stride"]
        c, h, w = image.shape  # 获取输入特征图的高度和宽度
        out_h = int((h - pool_size) / stride) + 1  # 计算输出特征图的高度
        out_w = int((w - pool_size) / stride) + 1  # 计算输出特征图的宽度
        out = np.zeros((c, out_h, out_w))  # 初始化输出特征图为全零数组
        for k in range(c):  # 对于输出的每一个位置上计算：
            for i in range(out_h):
                for j in range(out_w):
                    window = image[k, i * stride:i * stride + pool_size, j * stride:j * stride + pool_size]
                    if pool_mode == "max":  # 最大池化
                        out[k][i][j] = np.max(window)
                    elif pool_mode == "avg":  # 平均池化
                        out[k][i][j] = np.mean(window)
                    elif pool_mode == "min":  # 最小池化
                        out[k][i][j] = np.min(window)
                    else:  # 无效的池化类型
                        raise ValueError("Invalid pooling mode")
        return out  # 返回特征图。

    # 定义设置池化参数的函数
    def setpool_para(self):
        pool_mode = "max"  # 设置池大小和池类型，这里假设是2x2最大池化
        pool_size = 2
        stride = 2  # 设置步长，这里假设是2
        PoolPara = {"pool_mode": pool_mode, "pool_size": pool_size, "stride": stride}  # 返回PoolPara参数，这里用一个字典来存储
        return PoolPara  # 返回PoolPara参数

    def output(self):  # 输出方法
        # 创建一个空列表
        result = [self.ObjID, self.ObjType, self.ObjLable, self.MaxPoolProc, self.SetPollPara, self.ParaString, self.ObjX,
                  self.ObjY]
        return result
class FullConn_Class(ModelObj):  # 全连接对象
    def __init__(self, ObjID, ObjType, ObjLable, ParaString, ObjX, ObjY):
        super().__init__(ObjID, ObjType, ObjLable, ParaString, ObjX, ObjY)
        self.FullConnProc = self.fullconn_proc  # 基本操作函数
        self.SetFullConnPara = self.setfullconn_para  # 参数设置函数

    def fullconn_proc(self, inputdata, FullConnPara):
        weights = FullConnPara["weights"]  # 从FullConnPara参数中获取权重矩阵
        bias = FullConnPara["bias"]  # 偏置向量
        inputdata = inputdata.reshape(1, inputdata.shape[1] * inputdata.shape[2])  # 对输入进行展平处理，变换为单通道的一维数组格式
        output = np.dot(inputdata, weights.T) + bias  # 计算全连接层的线性变换：inputdata与权重矩阵w进行乘法，再加上偏置向量b
        return output  # 返回全连接计算后的数组

    # 定义一个函数来设置全连接层的相关参数，这里可以根据实际情况修改或随机生成
    def setfullconn_para(self, data, num_outputs):
        # 获取池化后的图片数组的长度和宽度
        c, height, width = data
        num_outputs = num_outputs
        weights = np.random.randn(num_outputs, height * width)
        bias = np.random.randn(1, num_outputs)
        # 返回FullConnPara参数，这里用一个字典来存储
        FullConnPara = {"weights": weights, "bias": bias, "num_outputs": num_outputs}
        return FullConnPara

    def output(self):  # 输出方法
        # 创建一个空列表
        result = [self.ObjID, self.ObjType, self.ObjLable, self.FullConnProc, self.SetFullConnPara, self.ParaString, self.ObjX,
                  self.ObjY]
        return result

class Nonline_Class(ModelObj):  # 非线性对象
    def __init__(self, ObjID, ObjType, ObjLable, ParaString, ObjX, ObjY):
        super().__init__(ObjID, ObjType, ObjLable, ParaString, ObjX, ObjY)
        self.NonlinearProc = self.nonlinear_proc  # 基本操作函数
        self.SetNonLPara = self.setnonl_para  # 参数设置函数

    # 定义非线性函数
    def nonlinear_proc(self, inputdata, NonLPara):
        nonlinearmode = NonLPara["nonlinearmode"]  # 从NonLPara参数中获取非线性函数类型
        if nonlinearmode == "Sigmoid":  # 判断nonlinearmode，进行相应的计算
            output = 1 / (1 + np.exp(-inputdata))  # Sigmoid函数，将任何实数的输入映射到0和1之间的输出
        elif nonlinearmode == "ReLU":
            output = np.maximum(inputdata, 0)  # ReLU函数，将负数输入置为0，而正数输入保持不变
        elif nonlinearmode == "Tanh":
            output = np.tanh(inputdata)  # Tanh函数，将任何实数的输入映射到-1和1之间的输出
        else:
            raise ValueError("Invalid nonlinear mode")  # 非法的非线性类型，抛出异常
        return output  # 返回计算后的值

    # 定义设置非线性参数的函数
    def setnonl_para(self):
        # 可以选择"Sigmoid", "ReLU" 或 "Tanh"
        nonlinearmode = "ReLU"  # 确定参数信息:非线性函数的类型
        NonLPara = {"nonlinearmode": nonlinearmode}  # 返回NonLPara参数，这里用一个字典来存储
        return NonLPara  # 返回NonLPara参数

    def output(self):  # 输出方法
        # 创建一个空列表
        result = [self.ObjID, self.ObjType, self.ObjLable, self.NonlinearProc, self.SetNonLPara, self.ParaString, self.ObjX,
                  self.ObjY]
        return result
class Label:  #  标签
    # 设置标签类别列表并将其转化为one-hot向量的形式
    def setlabel_para(self, label_list):
        num_classes = len(label_list)
        identity_matrix = np.eye(num_classes)
        label_dict = {label: identity_matrix[i] for i, label in enumerate(label_list)}
        return label_dict
    # 读取样本数据集，遍历每个样本，并将样本和对应的标签组成元组，返回标记好标签的样本列表
    def label_proc(self, samples, labels, label_dict):
        labeled_samples = [(sample, label_dict[label]) for sample, label in zip(samples, labels)]
        return labeled_samples
    def label_array(self, i):
        # 读取标签数据
        path_csv = 'train.csv'
        df = pd.read_csv(path_csv, header=None, skiprows=range(0, i * 32), nrows=(i + 1) * 32 - i * 32)
        # print(df)
        # 将标签数据转化成数组
        right_label = df.iloc[:, 0].tolist()
        right_label = list(map(int, right_label))
        right_label = [x for x in right_label]
        # print(right_label)
        return right_label

class Classifier_Class(ModelObj):  # 分类对象
    def __init__(self, ObjID, ObjType, ObjLable, ParaString, ObjX, ObjY):
        super().__init__(ObjID, ObjType, ObjLable, ParaString, ObjX, ObjY)
        self.ClassifierProc = self.classifier_proc  # 基本操作函数
        self.SetClassifyPara = self.setclassify_para  # 参数设置函数

    def classifier_proc(self, inputdata, ClassifyPara):
        def softmax(x):  # 定义softmax函数
            x -= np.max(x)  # 减去最大值，防止数值溢出
            return np.exp(x) / np.sum(np.exp(x))  # 计算指数和归一化

        threshold = ClassifyPara["threshold"]  # 从ClassifyPara参数中获取阈值
        output = -1  # 初始化输出为-1
        prob = softmax(inputdata)  # 调用softmax函数，得到概率分布向量
        prob1 = prob[prob >= threshold]  # 如果概率高于阈值，就将该类别加入输出结果
        index = np.where(prob == max(prob1))  # 使用where()函数来返回等于概率最大值的元素的索引
        output = index[1].item(0) + 1  # 使用item()方法来将索引转换为标准Python标量
        return output  # 返回分类标签

    # 定义设置分类函数参数的函数
    def setclassify_para(self):
        threshold = 0.1     # 设定阈值,可以根据你的数据和任务来调整阈值
        ClassifyPara = {"threshold": threshold} # 返回ClassifyPara参数，这里用一个字典来存储
        return ClassifyPara # 返回ClassifyPara参数

    def output(self):  # 输出方法
        # 创建一个空列表
        result = [self.ObjID, self.ObjType, self.ObjLable, self.ClassifierProc, self.SetClassifyPara, self.ParaString, self.ObjX,
                  self.ObjY]
        return result

class Error_Class(ModelObj):  # 误差计算对象
    def __init__(self, ObjID, ObjType, ObjLable, ParaString, ObjX, ObjY):
        super().__init__(ObjID, ObjType, ObjLable, ParaString, ObjX, ObjY)
        self.ErrorProc = self.error_proc  # 基本操作函数
        self.SetErrorPara = self.seterror_para  # 参数设置函数

    def error_proc(self, input, label, ErrorPara):
        label_list, loss_type = ErrorPara  # 读取标签列表和损失函数类型
        one_hot_matrix = np.eye(len(label_list))  # 创建一个单位矩阵，大小为标签类别的个数
        index = [x for x in label]
        # print(label)
        label_one_hot = np.take(one_hot_matrix, index, axis=0)  # 从one-hot矩阵中取出对应的向量
        # print(label_one_hot)
        if loss_type == "CEE":  # 确定损失函数类别，实现不同的损失函数，计算输入值与label之间的误差
            # 使用交叉熵损失函数，公式为：-sum(label_one_hot * log(input)) / n
            loss = -np.sum(label_one_hot * np.log(input)) / len(input)
        elif loss_type == "MSE":
            # 使用均方误差损失函数，公式为：sum((input - label_one_hot) ** 2) / n
            loss = np.sum((input - label_one_hot) ** 2) / len(input)
        elif loss_type == "MAE":
            # 使用平均绝对误差损失函数，公式为：sum(abs(input - label_one_hot)) / n
            loss = np.sum(np.abs(input - label_one_hot)) / len(input)
        else:
            raise ValueError("Invalid loss type")  # 如果损失函数类型不在以上三种中，抛出异常
        return loss  # 返回误差值loss

    # 定义设置误差参数的函数
    def seterror_para(self):
        label_list = [0, 1, 2, 3, 4, 5, 6] # 确定参数信息: 标签类别，损失函数类型
        loss_type = "CEE" # 假设损失函数类型为交叉熵（Cross Entropy Error，CEE）
        ErrorPara = (label_list, loss_type) # 返回ErrorProc参数，这里用一个元组来存储
        return ErrorPara # 返回ErrorPara参数

    def output(self):  # 输出方法
        # 创建一个空列表
        result = [self.ObjID, self.ObjType, self.ObjLable, self.ErrorProc, self.SetErrorPara, self.ParaString, self.ObjX,
                  self.ObjY]
        return result

class AjConv_Class(ModelObj):  # 卷积调整对象
    def __init__(self, ObjID, ObjType, ObjLable, ParaString, ObjX, ObjY):
        super().__init__(ObjID, ObjType, ObjLable, ParaString, ObjX, ObjY)
        self.AjConvProc = self.ajconv_proc  # 基本操作函数
        self.SetAjConvPara = self.setajconv_para  # 参数设置函数

    def ajconv_proc(self, images, AjConvPara):
        kernel_grad_list = []
        bias_grad = 0  # 初始化偏置项梯度为零
        for c in images:
            # 计算卷积核和偏置项的梯度
            kernel_grad = np.zeros_like(AjConvPara['kernel_info'])  # 初始化卷积核梯度为零矩阵
            for i in range(AjConvPara['loss'].shape[0]):  # 遍历误差值矩阵的行
                for j in range(AjConvPara['loss'].shape[1]):  # 遍历误差值矩阵的列
                    # 将输入数据数组中对应的子矩阵旋转180度，与误差值相乘，累加到卷积核梯度上
                    kernel_grad += np.rot90(c[i:i + kernel_grad.shape[0], j:j + kernel_grad.shape[0]], 2) * AjConvPara['loss'][i, j]
                    # 将误差值累加到偏置项梯度上
                    bias_grad += AjConvPara['loss'][i, j]
            kernel_grad_list.append(kernel_grad)
        # 使用stack函数沿着第0个轴把一百个a数组堆叠起来
        result = np.stack(kernel_grad_list, axis=0)
        kernel_grad = np.sum(result, axis=0) / len(images)  # 沿着第0个维度求和
        # 更新卷积核和偏置项参数
        kernel = AjConvPara['kernel_info'] - AjConvPara['learning_rate'] * kernel_grad  # 卷积核参数减去学习率乘以卷积核梯度
        return kernel  # 返回更新后的卷积核
    def setajconv_para(self, loss,  ConvPara):
        kernel = ConvPara['kernel']  # 卷积核信息
        learning_rate = 0.01  # 学习率
        loss = np.array([[loss]])
        AjConvPara = {'kernel_info': kernel, 'learning_rate': learning_rate, 'loss': loss}
        return AjConvPara

class AjFullconn_Class(ModelObj):  # 全连接调整对象
    def __init__(self, ObjID, ObjType, ObjLable, ParaString, ObjX, ObjY):
        super().__init__(ObjID, ObjType, ObjLable, ParaString, ObjX, ObjY)
        self.AjFullconnProc = self.ajfullconn_proc  # 基本操作函数
        self.SetAjFCPara = self.setajfc_para  # 参数设置函数
    def ajfullconn_proc(self, AjFCPara):
        # 根据激活函数的参数选择相应的函数和导数
        # 计算权重矩阵和偏置向量的梯度，使用链式法则
        gradient_weights = np.outer(AjFCPara['loss'], AjFCPara['learning_rate'])
        # 更新权重矩阵和偏置向量
        weight_matrix = AjFCPara['weights'] - gradient_weights
        bias_vector = AjFCPara['bias'] - AjFCPara['learning_rate'] * AjFCPara['bias']
        # 返回更新后的权重矩阵和偏置向量
        return weight_matrix, bias_vector

    def setajfc_para(self, loss, FullConnPara):
        weights = FullConnPara["weights"]
        bias = FullConnPara["bias"]
        loss = np.array([loss])
        AjFCPara = {
            'weights': weights,  # 全连接权重
            'bias': bias,  # 全连接偏置
            'learning_rate': 0.01,  # 学习率
            'loss': loss  # 误差值
        }
        return AjFCPara

def main():
    DataPara = DataSet.SetDataPara()  # setload_data()函数，获取加载数据集的参数
    train_images, test_images = DataSet.LoadData(DataPara)
    ConvPara = Conv.SetConvPara()  # 调用SetConvPara()函数，获取卷积层参数
    PoolPara = Pool.SetPollPara()
    FullConnPara = FullConn.SetFullConnPara((1, 23, 23), 7)
    NonLPara = Nonline.SetNonLPara()
    ClassifyPara = Classifier.SetClassifyPara()
    ErrorPara = Error.SetErrorPara()
    LabelPara = Label()
    # AjFCPara = AjFullconn.SetAjFCPara()
    for i in range(len(train_images) // 32):
        images = train_images[i * 32:(i + 1) * 32]
        # 存储卷积处理后的图片的列表
        conv_images = []
        # 获取训练集的图片数据
        for image in images:
            # 获取矩阵的维度
            dim = len(image.shape)
            # 如果是二维矩阵,则转化为三维矩阵
            if dim == 2:
                image_h, image_w = image.shape
                image = np.reshape(image, (1, image_h, image_w))
                # 调用ConvProc()函数，根据ConvPara参数完成卷积计算
                output = Conv.ConvProc(image, ConvPara)
                # 将卷积结果存储到列表
                conv_images.append(output)
            # 若为三维矩阵，则保持不变直接卷积处理
            elif dim == 3:
                output = Conv.ConvProc(image, ConvPara)
                conv_images.append(output)
        # 将卷积处理后的图片列表转换为数组形式，方便后续处理
        conv_images = np.array(conv_images)


        pool_images = []  # 存储池化处理后的图片的列表
        for image in conv_images:  # 获取卷积后的图片数据
            output = Pool.MaxPoolProc(image, PoolPara)
            pool_images.append(output)  # 将池化结果存储到列表
        pool_images = np.array(pool_images)  # 将池化处理后的图片列表转换为数组形式，方便后续处理
        # print(conv_images)

        # print(pool_images[0].shape)
        # 存储全连接处理后的图片的列表
        fullconn_images = []
        # 获取池化后的图片数据
        for image in pool_images:
            output = FullConn.FullConnProc(image, FullConnPara)
            # 将全连接处理后的结果存储到列表
            fullconn_images.append(output)
        # 将全连接处理后的图片列表转换为数组形式，方便后续处理
        fullconn_images = np.array(fullconn_images)
        # print(fullconn_images)

        # 存储非线性处理后的图片的列表
        nonlinear_images = []
        for image in fullconn_images:  # 获取全连接处理后的图片数据
            output = Nonline.NonlinearProc(image, NonLPara)
            # 将非线性处理后的结果存储到列表
            nonlinear_images.append(output)
        # 将非线性处理后的图片列表转换为数组形式，方便后续处理
        nonlinear_images = np.array(nonlinear_images)
        # print(nonlinear_images)


        classifier_images = []  # 存储分类处理后的图片的列表
        prob_images = []  # 存储分类处理后的概率向量
        def softmax(x):  # 定义softmax函数
            x -= np.max(x)  # 减去最大值，防止数值溢出
            return np.exp(x) / np.sum(np.exp(x))  # 计算指数和归一化
        for image in nonlinear_images:  # 获取非线性处理后的图片数据
            prob = softmax(image)  # 调用softmax函数，得到概率分布向量
            prob_images.append(prob)  # 将概率向量结果存储到列表
            output = Classifier.ClassifierProc(image, ClassifyPara)  # 进行分类处理
            classifier_images.append(output)  # 将分类结果存储到列表
        classifier_images = np.array(classifier_images)  # 将分类的结果列表转换为数组形式，方便后续处理
        print(classifier_images)
        # print(setlabel_para())
        label_dict = LabelPara.setlabel_para([0, 1, 2, 3, 4, 5, 6])
        right_label = LabelPara.label_array(i)
        labeled_samples = LabelPara.label_proc(images, right_label, label_dict)
        print(right_label)


        # 假设有以下输入值和真实标签值，输入值是一个概率矩阵，真实标签值是一个类别列表
        prob_images = np.squeeze(prob_images)
        # print(prob_images)
        loss = Error.ErrorProc(prob_images, right_label, ErrorPara)  # 计算误差值
        print(loss)
        AjConvPara = AjConv.SetAjConvPara(loss, ConvPara)
        ConvPara['kernel'] = AjConv.AjConvProc(images, AjConvPara)
        print(ConvPara['kernel'])

        AjFCPara = AjFullconn.SetAjFCPara(loss, FullConnPara)
        weight, bias = AjFullconn.AjFullconnProc(AjFCPara)
        FullConnPara['weights'] = weight
        FullConnPara['bias'] = bias
        # print(weight, bias)


if __name__ == '__main__':
    DataSet = Data_Class("DataSet1", 1, "数据集1", [], 120, 330)
    Conv = Conv_Class("Conv1", 2, "卷积1", [], 250, 330)
    Pool = Pool_Class("Pool1", 3, "最大池化1", [], 380, 330)
    FullConn = FullConn_Class("FullConn1", 4, "全连接1", [], 510, 330)
    Nonline = Nonline_Class("Nonline1", 5, "非线性函数1", [], 640, 330)
    Classifier = Classifier_Class("Classifier1", 6, "分类1", [], 780, 330)
    Error = Error_Class("Error1", 7, "误差计算1", [], 710, 124)
    AjConv = AjConv_Class("AjConv1", 8, "卷积调整1", [], 250, 70)
    AjFullconn = AjFullconn_Class("AjFullconn1", 9, "全连接调整1", [], 510, 120)
    # AllModelObj = [DataSet, Conv, Pool, FullConn, Nonline, Classifier, Error, AjConv, AjFullconn]
    main()