（39）五节课总结：反者道之动，弱者道之用。天下万物生于有，有生于无

接下来，在改进以后的代码(Artificial_Intelligence_Framework_Main.py)代码中，尝试设置4个隐藏层，hidden_nodes = [16,8,4,2]，四个隐藏层分别为16个神经元，8个神经元，4个神经元，2个神经元，运行一下Artificial_Intelligence_Framework_Main.py:

图 1- 74    4个隐藏层运行图

如图1-73所示，增加一个隐藏层增加了很多计算量，最开始的误差是0.13402363543834808，发现效果可能不会那么明显，因为虽然有这么多隐藏层，但我们的输入数据只有2个features，没必要设置那么多隐藏层，因此，最终运行的效果可能差不多。这里我们展示的是在实际生产生活中，作为技术的狂热追求者，在服务于企业的实际需要的时候，你的工作量会非常小，可以简单的将隐藏层从3层、或者5层，改成10层、100层，500层，就能极大的提升精确度。但是层数增多了，此时可能需要进行分布式深度学习。为什么分布式深度学习是可行的?因为我们的数据一般都为矩阵，矩阵可以分成很多部分，这个思路很简单。

在TensorFlow的可视化图中，重新设置为4个隐藏层，由于TensorFlow后台控制的原因，第1层隐藏层只能设置8个神经元，将第2层隐藏层设置5个神经元，第3层隐藏层设置3个神经元，第4层隐藏层设置2个神经元，选择Tanh激活函数，进行Classification计算。单击运行按钮，这个时候的计算速度会慢一些，因为隐藏层相对比较多，有更多的神经元，训练的过程就是调整权重Weight的过程。

图 1- 75 TensorFlow 4个隐藏层

回到我们的BackPropagation.py代码，在计算Back Propagation的过程中，以下代码进行求导，然后更新权重：

……	
derivative = weight_to_node_error * (weight_to_node_value * (1 - weight_to_node_value )) * weight_from_node_value	
weights[j].set_value(weights[j].get_value() - derivative * learning_rate)     	
…..    	

在TensorFlow的可视化图中，例如查询第2个隐藏层的第2个神经元到第3个隐藏层的第2个神经元的权重，单击Weight边的那一刻的的权重是-0.33，再次单击一次查询，权重变成了-0.32，因为在每次训练的时候权重有所不同。

至此，我们在5节课内从零起步，在没有数学基础，没有Python基础的情况下，编码实现了类似于TensorFlow的AI框架。改进以后的代码(Artificial_Intelligence_Framework_Main.py)和Neuron_Network_Entry.py基本上没多大区别，思路是完全一样的，只是进行了微调。Forward  Propagation、Back Propagation就像一阴一阳，Forward  Propagation采用激活函数，Back Propagation对激活函数求导，然后调整权重。Forward  Propagation从左往右进行训练，Back Propagation从右往左进行反思调整，一正一反，Go backward to move forward，如果想前进，就要回顾过去，然后调整你的模式，在下一步的行动采用，调整权重参数向前进步，否则只能原地踏步。这也是道德经中“反者道之动，弱者道之用。天下万物生于有，有生于无”精髓的实现及应用，AI完美的演绎了“反者道之动”的思想，AI基于大数据的基础之上，AI如果要发挥出潜力，必须基于数据，AI对数据是很贪婪的状态，而数据本身是很柔弱的，例如 Goole、Facebook、Amazon等公司中每个用户的数据看上去举重若轻，但当规模比较大的情况下用户数据就很用，这是“弱者道之用”。天下万物生于有，有生于无，作为中国的技术人员，能够将道德经的思想变成代码，并且代码是极具商业价值的，在精神层面有寄托，在实际层面有成果，我们应该为此感到庆幸!  

     本文根据王家林老师《5节课内从零起步(无需数学和Python基础)编码实现AI人工智能框架电子书》整理。

图 1- 76 反者道之动，弱者道之用。天下万物生于有，有生于无