文章总结： 本文介绍了基于深度强化学习求解虚拟网络映射的设计与Java实现，重点阐述了卷积层的维度计算公式及单通道、三通道卷积的详细过程。文章提供了基于Deeplearning4j框架的Java代码示例，演示了如何构建包含卷积层、Adam优化器和ReLU激活函数的神经网络配置，为后续的强化学习应用奠定了基础。 综合评分： 81 文章分类： AI安全,网络安全

深度强化学习求解虚拟网络映射设计与Java实现(一）

原创

豆豆 豆豆

豆豆咨询

2026年1月16日 13:50 浙江

在设计深度强化学习用于虚拟网络映射过程中，有几个基本概念需要了解清楚，如下所示。

一、几个概念

1、卷积层的设计与维度计算

维度变化公式如下所示：

2、单通道卷积维度变化图示

2.1 输入与卷积核：

其中，输入图像高度和宽度分别是3，通道为1，卷积核的数量为1，卷积核的高度和宽度分别是2，通道维度为1。最后的输出：高度为(3-2+2*0)/1+1=2，宽度为(3-2+2*0)/1+1=2，通道维度为1。

2.2 计算过程图示：

3. 三通道卷积详细图示（RGB图像）

3.1 输入数据结构

包括输入图像和卷积核。

输入图像高度和宽度分别是3，通道维度为3。

卷积核的数量为2，卷积核的高度和宽度分别是2，通道维度为3（与输入图像的通道维度保持一致）。

其中，输入图像高度和宽度分别是3，通道为3；卷积核的数量为2，卷积核的高度和宽度分别是2，卷积核的通道维度为3；最后的输出：高度为(3-2+2*0)/1+1=2，宽度为(3-2+2*0)/1+1=2，通道维度为2。

3.2 多通道卷积计算详细图示

如下所示：

输出特征图生成过程：

计算流图：

二、卷积层的设计与实现

MultiLayerConfiguration conf = new NeuralNetConfiguration.Builder()

                .seed(123)

                .updater(new Adam(0.001))

                .list()

                // =======CNN层噶度和宽度分别是1和3，两个方向的步长分别是1和1，因为有两个卷积=======

                //featPerNode:为输入通道

                .layer(new ConvolutionLayer.Builder(new int[]{1, 3}, new int[]{1, 1})

                        .nIn(featPerNode)

                        .nOut(2)

                        .activation(Activation.RELU)

                        .build())

其中

.seed(123)-设置随机数种子为123；

. list() – 网络层容器作用：创建顺序层（Sequential）网络结构；

使用Adam优化器，学习率0.001；

ConvolutionLayer是卷积层，{1, 3}是卷积核的高度和宽度，{1, 1}是高度和宽度的步长；

featPerNode是输入的通道维度；

2是输出的通道数为2，意味着有两个卷积核；

.activation(Activation.RELU)// ⭐ 添加非线性：ReLU激活

.build())// ⭐ 结束配置，创建层实例

network = new MultiLayerNetwork(conf);

network.init();

初始化多层网络。

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：豆豆咨询 豆豆 豆豆《深度强化学习求解虚拟网络映射设计与Java实现(一）》