1. 添加dl4j后, run项目时， 一直run不起来， run按钮绿色但是点击没反应。 查看日志后发现: 是classpath太长导致的。
在本项目的.idea文件夹，找到文件夹中的workspace.xml文件， 搜索 PropertiesComponent ， 在其下添加一行设置 :
<property name="dynamic.classpath" value="true" />
2. 当添加nd4j系众多jar包时， 一定会出现依赖冲突的情况， 在Settings-plugins中安装 Maven Helper插件， 找到冲突依赖， 并排除掉。
## 学习部分：
1.RNN网络
对于RNN网络， 输入模型的数据是三维结构 [样本数,特征值数,时间步]。 就INDArray中的数据布局而言，位于(i,j,k)的值即是一批数据中第i例的第k个时间步的第j个值。
RnnOutputLayer是在许多循环网络系统（用于回归和分类任务）中使用的最终层。
掩模： 控制一对一， 一对多， 多对一， 多对多的序列输出。 1：该位置存在输出， 0：该位置无输出。
RNN可以使用MultiLayerNetwork.output() 和MultiLayerNetwork.feedForward() 方法生成预测。但它们的限制是，在生成时间序列的预测时，每次都只能从头开始运算。
假设我们需要在一个实时系统中生成基于大量历史数据的预测。在这种情况下，使用output/feedForward方法是不实际的， 比如：
采用output方法，那么我们需要送入全部100个小时的数据，才能预测出第101个小时的天气。而预测第102个小时的天气时，我们又需要送入100（或101）个小时的数据；第103个小时及之后的预测同理。
因此有如下解决办法：
rnnTimeStep（INDArray）方法在被调用时会记录RNN各层的内部状态， 一次只生成一步或数步预测（rnnTimeStep）。
但如果要开始对一个新的（完全分离的）时间序列进行预测，就必须（这很重要）用MultiLayerNetwork.rnnClearPreviousState()方法手动清除已存储的状态。该方法将会重置网络中所有循环层的内部状态。
如果需要存储或设置RNN的内部状态以用于预测，可以对每一层分别使用rnnGetPreviousState和rnnSetPreviousState方法。这适用于例如序列化（网络保存／加载）等情况，因为由rnnTimeStep方法产生的内部网络状态默认不会保存，必须另外保存和读取。
## NDArrays学习：
Physically, the data that backs an INDArray is stored off-heap: that is, it is stored outside of the Java Virtual Machine (JVM). 因此不会收到java数字长度的限制，以及计算时超出内存的影响。
INDArray out = myMatrix.transpose().dup() dup()方法是深度复制， 不会影响到源矩阵或向量。
myArray.getRow(0).addi(1.0) myArray.putRow(int rowIdx,INDArray row)
使用java数组创建向量：
创建1维向量： Nd4j.create(float[])
创建2维向量： Nd4j.create(float[][])
创建3维向量：
myDoubleArray = double[][][] double[] flat = ArrayUtil.flattenDoubleArray(myDoubleArray) int[] shape = ...; INDArray myArr = Nd4j.create(flat,shape,'c');
按行拼接两个向量： Nd4j.hstack()
按列拼接两个向量： Nd4j.vstack()
取得向量中的值： INDArray.getDouble(i,j,k)
设置向量中的值： INDArray.putScalar(int[], double)
[ rowIdx, : ] myArray.get(NDArrayIndex.point(rowIdx), NDArrayIndex.all())
[ a:b, : ] myArray.get(NDArrayIndex.interval(a,b), NDArrayIndex.all())
myArray.get(NDArrayIndex.all(),NDArrayIndex.interval(0,2,nCols))
INDArray.put(INDArrayIndex[], INDArray toPut)
add() 与 addi() 的区别： addi 将原始向量的引用做为输出引用， add不会改变原始值， 而是另外申请一个内存空间存放结果。