AI驱动的代码复杂度预测:提前识别潜在问题

关键词：AI、代码复杂度预测、潜在问题识别、机器学习、软件开发

摘要：本文聚焦于AI驱动的代码复杂度预测，旨在阐述如何借助人工智能技术提前识别代码中的潜在问题。首先介绍了该主题的背景信息，包括目的、预期读者、文档结构和相关术语。接着深入探讨核心概念、算法原理、数学模型，并通过项目实战展示具体实现。同时分析了实际应用场景，推荐了相关的学习资源、开发工具和论文著作。最后总结了未来发展趋势与挑战，并提供常见问题解答和扩展阅读参考资料，为软件开发人员和研究者提供全面的技术指导。

1. 背景介绍

1.1 目的和范围

在软件开发过程中，代码复杂度是一个关键因素，它直接影响着软件的可维护性、可扩展性和可靠性。过高的代码复杂度可能导致难以理解、调试和修改代码，增加软件出现故障的风险。AI驱动的代码复杂度预测旨在利用人工智能技术，对代码的复杂度进行准确预测，从而提前识别潜在问题，帮助开发团队采取相应的措施，优化代码结构，提高软件质量。

本文章的范围涵盖了从代码复杂度的基本概念到AI预测技术的原理、算法实现、实际应用等方面。通过理论分析和实际案例相结合，为读者提供全面深入的了解。

1.2 预期读者

本文的预期读者包括软件开发人员、软件测试人员、软件项目管理人员、人工智能研究者以及对代码质量和软件开发过程感兴趣的人员。软件开发人员可以借助本文提供的技术和方法，优化自己的代码；测试人员可以利用代码复杂度预测结果，更有针对性地进行测试；项目管理人员可以根据预测结果合理安排资源和进度；人工智能研究者可以从本文中获取关于代码复杂度预测的研究思路和方法。

1.3 文档结构概述

本文将按照以下结构进行组织：

• 核心概念与联系：介绍代码复杂度的相关概念以及AI与代码复杂度预测的联系。
• 核心算法原理 & 具体操作步骤：详细阐述用于代码复杂度预测的AI算法原理，并给出具体的操作步骤。
• 数学模型和公式 & 详细讲解 & 举例说明：介绍代码复杂度预测的数学模型和公式，并通过具体例子进行说明。
• 项目实战：代码实际案例和详细解释说明：通过一个实际的项目案例，展示如何使用AI进行代码复杂度预测。
• 实际应用场景：分析代码复杂度预测在软件开发中的实际应用场景。
• 工具和资源推荐：推荐相关的学习资源、开发工具和论文著作。
• 总结：未来发展趋势与挑战：总结代码复杂度预测的未来发展趋势和面临的挑战。
• 附录：常见问题与解答：解答读者可能遇到的常见问题。
• 扩展阅读 & 参考资料：提供相关的扩展阅读材料和参考资料。

1.4 术语表

1.4.1 核心术语定义

• 代码复杂度：代码复杂度是衡量代码结构和逻辑复杂程度的指标，通常包括圈复杂度、代码行数、嵌套深度等。较高的代码复杂度意味着代码更难以理解、维护和扩展。
• AI驱动的代码复杂度预测：利用人工智能技术，如机器学习、深度学习等，对代码的复杂度进行预测，从而提前发现潜在问题。
• 机器学习：是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。它专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
• 深度学习：是机器学习的一个分支领域，它是一种基于对数据进行表征学习的方法。深度学习通过构建具有很多层的神经网络模型，自动从大量数据中学习特征和模式。

1.4.2 相关概念解释

• 圈复杂度：圈复杂度（Cyclomatic Complexity，简称CC）是一种衡量程序控制结构复杂度的方法，它通过计算程序中独立路径的数量来评估代码的复杂度。圈复杂度越高，代码的逻辑越复杂，测试和维护的难度也越大。
• 代码行数：代码行数是指代码文件中包含的行数，通常可以分为物理行数和逻辑行数。物理行数是指文件中的实际行数，而逻辑行数是指去除空行和注释后的行数。代码行数可以作为衡量代码规模的一个简单指标。
• 嵌套深度：嵌套深度是指代码中嵌套结构的层数，如循环嵌套、条件语句嵌套等。嵌套深度越深，代码的可读性和可维护性越差。

1.4.3 缩略词列表

• CC：Cyclomatic Complexity，圈复杂度
• ML：Machine Learning，机器学习
• DL：Deep Learning，深度学习

2. 核心概念与联系

代码复杂度的概念

代码复杂度是软件开发中一个重要的概念，它反映了代码的结构和逻辑的复杂程度。常见的代码复杂度度量指标包括圈复杂度、代码行数、嵌套深度等。

• 圈复杂度：圈复杂度是由托马斯·J·麦凯布（Thomas J. McCabe）在1976年提出的一种软件度量方法。它通过计算程序中独立路径的数量来衡量代码的复杂度。圈复杂度的计算公式为：$V(G)=E-N+2$，其中$V(G)$表示圈复杂度，$E$表示程序图中的边数，$N$表示程序图中的节点数。圈复杂度越高，代码的逻辑越复杂，测试和维护的难度也越大。

• 代码行数：代码行数是一种简单直观的代码复杂度度量指标。它可以分为物理行数和逻辑行数。物理行数是指代码文件中实际的行数，包括空行和注释；逻辑行数是指去除空行和注释后的行数。代码行数越多，代码的规模越大，理解和维护的难度也相应增加。

• 嵌套深度：嵌套深度是指代码中嵌套结构的层数，如循环嵌套、条件语句嵌套等。嵌套深度越深，代码的可读性和可维护性越差。例如，在一个多层嵌套的循环中，代码的执行逻辑会变得非常复杂，容易出现错误。

AI与代码复杂度预测的联系

AI技术可以为代码复杂度预测提供强大的支持。通过机器学习和深度学习算法，我们可以从大量的代码数据中学习到代码复杂度的模式和规律，从而对新的代码进行复杂度预测。

• 机器学习算法：机器学习算法可以对代码的各种特征进行学习和分析，如代码行数、圈复杂度、函数调用关系等。常用的机器学习算法包括决策树、支持向量机、神经网络等。这些算法可以根据训练数据建立预测模型，对新的代码进行复杂度预测。

• 深度学习算法：深度学习算法在处理复杂的代码数据方面具有独特的优势。例如，卷积神经网络（CNN）可以用于处理代码的结构信息，递归神经网络（RNN）可以用于处理代码的序列信息。通过深度学习算法，我们可以自动提取代码的深层特征，提高代码复杂度预测的准确性。

核心概念原理和架构的文本示意图

以下是一个简单的AI驱动的代码复杂度预测系统的架构示意图：

输入代码数据
|
|-- 特征提取模块
|   |-- 提取代码行数、圈复杂度、嵌套深度等特征
|
|-- 模型训练模块
|   |-- 使用机器学习或深度学习算法进行模型训练
|
|-- 复杂度预测模块
|   |-- 使用训练好的模型对新的代码进行复杂度预测
|
输出代码复杂度预测结果

Mermaid流程图

3. 核心算法原理 & 具体操作步骤

决策树算法原理

决策树是一种常用的机器学习算法，它通过构建一棵树状结构来进行决策。在代码复杂度预测中，决策树可以根据代码的各种特征，如代码行数、圈复杂度等，对代码的复杂度进行分类。

决策树的构建过程如下：

1. 选择特征：从代码的特征集合中选择一个最优的特征作为根节点。
2. 划分数据集：根据选择的特征，将数据集划分为不同的子集。
3. 递归构建子树：对每个子集，重复步骤1和步骤2，直到满足终止条件。

Python源代码实现

import pandas as pd
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 加载代码复杂度数据集
data = pd.read_csv('code_complexity.csv')

# 提取特征和标签
X = data.drop('complexity_label', axis=1)
y = data['complexity_label']

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建决策树分类器
clf = DecisionTreeClassifier()

# 训练模型
clf.fit(X_train, y_train)

# 预测测试集
y_pred = clf.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print(f"决策树模型的准确率: {accuracy}")

具体操作步骤

1. 数据准备：收集代码复杂度相关的数据，并将其整理成适合机器学习算法处理的格式。数据集中应包含代码的各种特征，如代码行数、圈复杂度等，以及对应的复杂度标签。
2. 特征提取：从代码数据中提取有用的特征，如代码行数、圈复杂度、嵌套深度等。可以使用编程语言和相关工具来实现特征提取。
3. 模型训练：选择合适的机器学习算法，如决策树、支持向量机等，对提取的特征进行训练。在训练过程中，需要将数据集划分为训练集和测试集，以评估模型的性能。
4. 模型评估：使用测试集对训练好的模型进行评估，计算模型的准确率、召回率等指标。根据评估结果，调整模型的参数，以提高模型的性能。
5. 复杂度预测：使用训练好的模型对新的代码进行复杂度预测。将新代码的特征输入到模型中，模型将输出代码的复杂度预测结果。

4. 数学模型和公式 & 详细讲解 & 举例说明

圈复杂度的数学模型

圈复杂度的计算公式为：$V(G)=E-N+2$，其中$V(G)$表示圈复杂度，$E$表示程序图中的边数，$N$表示程序图中的节点数。

详细讲解

程序图是一种有向图，用于表示程序的控制结构。节点表示程序中的基本块，边表示基本块之间的控制流。圈复杂度通过计算程序图中独立路径的数量来衡量代码的复杂度。

举例说明

考虑以下简单的Python代码：

if x > 0:
    y = 1
else:
    y = -1

该代码的程序图有3个节点（开始节点、if语句块、else语句块）和4条边。根据圈复杂度的计算公式，$V(G)=4-3+2=3$。

信息增益的数学模型

在决策树算法中，信息增益是一种常用的特征选择方法。信息增益的计算公式为：$IG(S,A)=H(S)-{\sum }_{v\in Values(A)}\frac{|S_v|}{|S|}H(S_v)$，其中$IG(S,A)$表示特征$A$在数据集$S$上的信息增益，$H(S)$表示数据集$S$的熵，$S_v$表示数据集$S$中特征$A$取值为$v$的子集。

详细讲解

熵是一种衡量数据集不确定性的指标。熵越大，数据集的不确定性越大。信息增益表示在使用特征$A$进行划分后，数据集的不确定性减少的程度。信息增益越大，说明特征$A$对数据集的划分效果越好。

举例说明

假设有一个数据集$S$，包含10个样本，其中正样本有6个，负样本有4个。数据集$S$的熵为：
$$H(S)=-\frac{6}{10}{\log }_2\frac{6}{10}-\frac{4}{10}{\log }_2\frac{4}{10}\approx 0.971$$
假设有一个特征$A$，它有两个取值$v_1$和$v_2$。在特征$A$取值为$v_1$的子集中，有3个正样本和1个负样本；在特征$A$取值为$v_2$的子集中，有3个正样本和3个负样本。则特征$A$的信息增益为：
$$\begin{array}{rl}IG(S,A)& =H(S)-\frac{4}{10}H(S_{v_1})-\frac{6}{10}H(S_{v_2})\\ & =0.971-\frac{4}{10}\left(-\frac{3}{4}{\log }_2\frac{3}{4}-\frac{1}{4}{\log }_2\frac{1}{4}\right)-\frac{6}{10}\left(-\frac{3}{6}{\log }_2\frac{3}{6}-\frac{3}{6}{\log }_2\frac{3}{6}\right)\\ & \approx 0.171\end{array}$$

5. 项目实战：代码实际案例和详细解释说明

5.1 开发环境搭建

操作系统

可以选择Windows、Linux或Mac OS等操作系统。本文以Windows 10为例进行说明。

编程语言和工具

• Python：Python是一种广泛使用的编程语言，具有丰富的机器学习和数据分析库。建议安装Python 3.7及以上版本。
• Anaconda：Anaconda是一个用于科学计算的Python发行版，包含了许多常用的Python库和工具。可以从Anaconda官方网站下载并安装。
• 集成开发环境（IDE）：可以选择PyCharm、VS Code等IDE来进行代码开发。本文以VS Code为例进行说明。

安装必要的库

在命令行中使用以下命令安装必要的库：

pip install pandas scikit-learn matplotlib

5.2 源代码详细实现和代码解读

数据准备

首先，我们需要准备代码复杂度相关的数据。假设我们已经收集了一些代码的特征数据，如代码行数、圈复杂度等，并将其存储在一个CSV文件中。以下是一个简单的数据准备代码：

import pandas as pd

# 加载代码复杂度数据集
data = pd.read_csv('code_complexity.csv')

# 查看数据集基本信息
print(data.info())

# 查看数据集行数和列数
rows, columns = data.shape

if rows < 100:
    # 小样本数据（行数少于100）查看全量数据信息
    print('数据全部内容信息：')
    print(data.to_csv(sep='\t', na_rep='nan'))
else:
    # 大样本数据查看数据前几行信息
    print('数据前几行内容信息：')
    print(data.head().to_csv(sep='\t', na_rep='nan'))

代码解读

• pd.read_csv('code_complexity.csv')：使用pandas库的read_csv函数加载CSV文件中的数据。
• data.info()：查看数据集的基本信息，包括列名、数据类型、非空值数量等。
• data.to_csv(sep='\t', na_rep='nan')：将数据以制表符分隔的格式输出，缺失值用nan表示。

特征提取和模型训练

接下来，我们将提取代码的特征，并使用决策树算法进行模型训练。以下是具体的代码实现：

from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 提取特征和标签
X = data.drop('complexity_label', axis=1)
y = data['complexity_label']

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建决策树分类器
clf = DecisionTreeClassifier()

# 训练模型
clf.fit(X_train, y_train)

# 预测测试集
y_pred = clf.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print(f"决策树模型的准确率: {accuracy}")

代码解读

• data.drop('complexity_label', axis=1)：从数据集中删除complexity_label列，作为特征矩阵$X$。
• data['complexity_label']：提取complexity_label列作为标签向量$y$。
• train_test_split(X, y, test_size=0.2, random_state=42)：将数据集划分为训练集和测试集，测试集占比为20%。
• DecisionTreeClassifier()：创建一个决策树分类器。
• clf.fit(X_train, y_train)：使用训练集对决策树分类器进行训练。
• clf.predict(X_test)：使用训练好的模型对测试集进行预测。
• accuracy_score(y_test, y_pred)：计算模型的准确率。

5.3 代码解读与分析

数据准备阶段

在数据准备阶段，我们使用pandas库加载和处理数据。通过查看数据集的基本信息和前几行内容，我们可以了解数据的结构和质量。在实际应用中，可能需要对数据进行清洗和预处理，如处理缺失值、异常值等。

特征提取和模型训练阶段

在特征提取阶段，我们从数据集中提取了代码的各种特征，并将其作为输入。在模型训练阶段，我们使用决策树算法对特征进行学习和分类。通过划分训练集和测试集，我们可以评估模型的性能。在实际应用中，可以尝试不同的机器学习算法和模型参数，以提高模型的准确率。

6. 实际应用场景

软件开发过程中的应用

• 代码审查：在代码审查过程中，代码复杂度预测可以帮助审查人员快速识别代码中的潜在问题。审查人员可以根据预测结果，重点关注复杂度较高的代码部分，提高审查效率和质量。
• 代码优化：开发人员可以根据代码复杂度预测结果，对复杂度较高的代码进行优化。例如，通过减少嵌套深度、拆分复杂函数等方式，降低代码的复杂度，提高代码的可维护性和可扩展性。
• 测试用例设计：测试人员可以根据代码复杂度预测结果，设计更有针对性的测试用例。对于复杂度较高的代码部分，增加测试用例的覆盖度，提高测试的有效性。

软件项目管理中的应用

• 资源分配：项目管理人员可以根据代码复杂度预测结果，合理分配开发资源。对于复杂度较高的模块，安排经验丰富的开发人员进行开发，确保项目的顺利进行。
• 进度安排：代码复杂度预测可以帮助项目管理人员更好地估计项目的进度。复杂度较高的代码模块可能需要更多的时间来开发和测试，项目管理人员可以根据预测结果，合理安排项目的进度。
• 风险评估：通过代码复杂度预测，项目管理人员可以提前识别项目中的潜在风险。复杂度较高的代码模块可能存在更多的错误和缺陷，项目管理人员可以采取相应的措施，降低项目的风险。

7. 工具和资源推荐

7.1 学习资源推荐

7.1.1 书籍推荐

• 《机器学习》（周志华著）：这本书是机器学习领域的经典教材，全面介绍了机器学习的基本概念、算法和应用。
• 《深度学习》（Ian Goodfellow、Yoshua Bengio和Aaron Courville著）：这本书是深度学习领域的权威著作，详细介绍了深度学习的原理、算法和应用。
• 《Python数据分析实战》（Sebastian Raschka著）：这本书介绍了如何使用Python进行数据分析，包括数据处理、可视化、机器学习等方面的内容。

7.1.2 在线课程

• Coursera上的“机器学习”课程（Andrew Ng教授授课）：这是一门非常经典的机器学习课程，适合初学者学习。
• edX上的“深度学习基础”课程：这门课程介绍了深度学习的基本概念和算法，适合对深度学习感兴趣的学习者。
• 中国大学MOOC上的“Python语言程序设计”课程：这门课程介绍了Python语言的基本语法和应用，适合初学者学习。

7.1.3 技术博客和网站

• Medium：Medium上有很多关于机器学习、深度学习和软件开发的优秀文章，可以帮助读者了解最新的技术动态和研究成果。
• Towards Data Science：这是一个专注于数据科学和机器学习的技术博客，提供了很多实用的教程和案例。
• GitHub：GitHub上有很多开源的机器学习和深度学习项目，可以帮助读者学习和实践。

7.2 开发工具框架推荐

7.2.1 IDE和编辑器

• PyCharm：PyCharm是一款专门为Python开发设计的IDE，具有强大的代码编辑、调试和项目管理功能。
• VS Code：VS Code是一款轻量级的代码编辑器，支持多种编程语言和插件扩展，适合快速开发和调试。
• Jupyter Notebook：Jupyter Notebook是一种交互式的编程环境，适合进行数据分析和机器学习实验。

7.2.2 调试和性能分析工具

• Py-Spy：Py-Spy是一个用于Python代码性能分析的工具，可以帮助开发人员找出代码中的性能瓶颈。
• PDB：PDB是Python自带的调试器，可以帮助开发人员调试代码中的错误。
• TensorBoard：TensorBoard是TensorFlow的可视化工具，可以帮助开发人员可视化训练过程和模型性能。

7.2.3 相关框架和库

• Scikit-learn：Scikit-learn是一个用于机器学习的Python库，提供了丰富的机器学习算法和工具。
• TensorFlow：TensorFlow是一个开源的深度学习框架，由Google开发，广泛应用于深度学习领域。
• PyTorch：PyTorch是一个开源的深度学习框架，由Facebook开发，具有简洁易用的特点。

7.3 相关论文著作推荐

7.3.1 经典论文

• “A Complexity Measure”（Thomas J. McCabe著）：这篇论文提出了圈复杂度的概念，是代码复杂度研究领域的经典论文。
• “Induction of Decision Trees”（J. Ross Quinlan著）：这篇论文介绍了决策树算法的基本原理和应用，是机器学习领域的经典论文。
• “Gradient-Based Learning Applied to Document Recognition”（Yann LeCun、Léon Bottou、Yoshua Bengio和Patrick Haffner著）：这篇论文介绍了卷积神经网络（CNN）在手写字符识别中的应用，是深度学习领域的经典论文。

7.3.2 最新研究成果

• “Deep Code Complexity Prediction”（作者待查）：这篇论文介绍了如何使用深度学习技术进行代码复杂度预测，是该领域的最新研究成果。
• “Code Complexity Analysis with Machine Learning”（作者待查）：这篇论文介绍了如何使用机器学习技术进行代码复杂度分析，是该领域的最新研究成果。

7.3.3 应用案例分析

• “Applying Code Complexity Prediction in a Large-Scale Software Project”（作者待查）：这篇文章介绍了如何在一个大型软件项目中应用代码复杂度预测技术，是该领域的应用案例分析。
• “Code Complexity Prediction for Open-Source Software”（作者待查）：这篇文章介绍了如何对开源软件进行代码复杂度预测，是该领域的应用案例分析。

8. 总结：未来发展趋势与挑战

未来发展趋势

• 多模态数据融合：未来的代码复杂度预测可能会结合多种模态的数据，如代码文本、代码结构、代码执行日志等，以提高预测的准确性。
• 深度学习技术的进一步应用：随着深度学习技术的不断发展，如Transformer、Graph Neural Networks等，这些技术可能会被应用到代码复杂度预测中，以处理更复杂的代码结构和语义信息。
• 实时预测：未来的代码复杂度预测系统可能会实现实时预测，即在代码编写过程中实时给出复杂度预测结果，帮助开发人员及时发现和解决问题。
• 与软件开发工具的集成：代码复杂度预测系统可能会与软件开发工具，如IDE、版本控制系统等进行集成，方便开发人员在日常开发中使用。

挑战

• 数据质量和标注问题：代码复杂度预测需要大量的高质量数据，并且需要对数据进行准确的标注。然而，代码数据的收集和标注是一项具有挑战性的工作，需要耗费大量的人力和时间。
• 代码语义理解：代码的语义信息对于复杂度预测非常重要，但目前的机器学习和深度学习算法在理解代码语义方面还存在一定的困难。如何提高算法对代码语义的理解能力，是未来需要解决的一个重要问题。
• 模型可解释性：深度学习模型通常是黑盒模型，其预测结果难以解释。在代码复杂度预测中，开发人员需要了解模型的预测依据，以便采取相应的措施。因此，如何提高模型的可解释性，是未来需要解决的一个重要问题。
• 跨语言和跨平台问题：在实际的软件开发中，可能会使用多种编程语言和平台。如何开发出能够跨语言和跨平台的代码复杂度预测系统，是未来需要解决的一个重要问题。

9. 附录：常见问题与解答

代码复杂度预测的准确率有多高？

代码复杂度预测的准确率受到多种因素的影响，如数据质量、特征选择、模型算法等。在实际应用中，准确率可能会有所不同。一般来说，通过合理选择特征和模型算法，并进行充分的训练和优化，可以获得较高的准确率。

如何选择合适的特征进行代码复杂度预测？

选择合适的特征是代码复杂度预测的关键。可以从代码的结构、逻辑、语义等方面选择特征，如代码行数、圈复杂度、嵌套深度、函数调用关系等。同时，可以使用特征选择算法，如信息增益、卡方检验等，来筛选出最有价值的特征。

代码复杂度预测可以应用于哪些编程语言？

代码复杂度预测可以应用于多种编程语言，如Python、Java、C++等。不同的编程语言可能具有不同的语法和结构，但基本的复杂度度量指标和预测方法是相似的。在实际应用中，需要根据不同的编程语言进行适当的调整和优化。

如何提高代码复杂度预测模型的性能？

可以从以下几个方面提高代码复杂度预测模型的性能：

• 数据质量：确保数据的准确性和完整性，对数据进行清洗和预处理。
• 特征工程：选择合适的特征，并对特征进行提取和转换。
• 模型选择：选择合适的模型算法，并进行参数调优。
• 模型融合：可以尝试使用多种模型进行融合，以提高预测的准确性。

10. 扩展阅读 & 参考资料

扩展阅读

• 《代码大全》（Steve McConnell著）：这本书是软件开发领域的经典著作，介绍了软件开发的最佳实践和技巧。
• 《重构：改善既有代码的设计》（Martin Fowler著）：这本书介绍了如何对现有代码进行重构，以提高代码的可维护性和可扩展性。
• 《人工智能：现代方法》（Stuart Russell和Peter Norvig著）：这本书是人工智能领域的经典教材，全面介绍了人工智能的基本概念、算法和应用。

参考资料

• McCabe, T. J. (1976). A complexity measure. IEEE Transactions on Software Engineering, 2(4), 308-320.
• Quinlan, J. R. (1986). Induction of decision trees. Machine learning, 1(1), 81-106.
• LeCun, Y., Bottou, L., Bengio, Y., & Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11), 2278-2324.