人工AI — 神经网络构建初步

人工AI — 神经网络构建初步

在之前我就一直对人工智能感兴趣，就去了解那些基本原理啊包括其他一些人的博客，后面就干脆直接实战了，我会从“新”电脑的角度开讲。我会引用我之前参考的博客结合我后期我自己的实际操作步奏，尽量让你一看就会吧。。。

---

先来简单的了解一下吧，(｡•﹃•｡)阿巴阿巴阿巴

神经网络并不是一个新概念，1943年，由沃伦·麦卡洛克(Warren McCulloch)和沃尔特·皮茨(Walter Pitts)首次提出。

我们将构建一个没有隐藏层或感知器的单层神经网络。它由一个包含训练示例、突触或权重以及神经元的输入层和一个含有正确答案的输出层组成。神经网络图形如下所示：

此外，需要了解一些如sigmoid和导数之类的数学概念，以清楚神经元的学习方式。神经元只需进行简单操作，即取一个输入值，乘以突触权重。之后，对所有这些乘法结果求和，并使用sigmoid函数获得0到1内的输出值。

神经元表示：

Sigmoid函数：

问题界定

输入层上有数字序列。我们预期的理想结果是，在数据集样本中，如果输入第一个数字是1，则神经网络返回1；如果第一个数字是0，则返回0。结果在输出层中显示。问题集如下图：

那么现在开始吧٩( ‘ω’ )و get！

如果是刚安装Linux（全代码那种），可能还要先配置一下网络环境（动态配置网络环境：dhclient）和安装一下ssh（后期可以在内网的另一台机子上控制输入指令，这样就可以更好的粘贴复制了（斜眼笑））

先是要安装一下pip（pip 是 Python 包管理工具，该工具提供了对Python 包的查找、下载、安装、卸载的功能。），后面是要用pip安装numpy的，下载安装脚本：

curl https://bootstrap.pypa.io/get-pip.py -o get-pip.py

部分 Linux 发行版可直接用包管理器安装 pip，如 Debian 和 Ubuntu：

sudo apt-get install python-pip

当然如果你已经下载好了pip（如果你在 python.org 下载最新版本的安装包，则是已经自带了该工具。Python 2.7.9 + 或 Python 3.4+ 以上版本都自带 pip 工具。）
则查看一下版本或升级：
查看版本：

pip --version 

升级pip：

pip install -U pip

如果升级出现了问题就用这个 QAQ：

sudo easy_install --upgrade pip

NumPY（NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。）安装命令：

pip3 install --user numpy scipy matplotlib

–user 选项可以设置只安装在当前的用户下，而不是写入到系统目录。
默认情况使用国外线路，如果国外线路太慢，那我们使用清华的镜像就可以了:

pip3 install numpy scipy matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple

Linux 下安装:
Ubuntu & Debian

sudo apt-get install python-numpy python-scipy python-matplotlib ipython ipython-notebook python-pandas python-sympy python-nose

CentOS/Fedora

sudo dnf install numpy scipy python-matplotlib ipython python-pandas sympy python-nose atlas-devel

Mac的话就用这个：

pip3 install numpy scipy matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple

安装成功，即可进入编码部分。将NumPy导入Python文件中：

import numpy as np

---

训练神经网络٩( ‘ω’ )و get！

首先，创建一个sigmoid函数：

def sigmoid(x):
    return 1 / (1+np.exp(-x))

其次，定义训练示例、输入(4×5矩阵)和输出：

training_inputs = np.array([[0,0,1,0],[1,1,1,0],[1,0,1,0],[0,1,1,1],[0,1,0,1]])
trainign_outputs = np.array([[0,1,1,0,0]]).T

接下来，通过生成随机值来初始化突触权重，并将结果排列在4×1的矩阵中：

np.random.seed(1)
synaptic_weights = 2 * np.random.random((4,1)) - 1

最后，构建训练模型。使用for循环，所有的训练都将在此循环中进行。调用sigmoid函数，并将所有输入的总和乘以sigmoid权重。然后采用Np.dot进行矩阵乘法。过程如下图：

for i in range(1):
    output = sigmoid(np.dot(training_inputs, synaptic_weights))

print('Synaptic weights:')
print(synaptic_weights)
print('Output:')
print(output)

输出结果如下图：

现在进行神经网络模型训练，方法是计算sigmoid函数的输出和实际输出之间的差值。之后可以根据误差的严重性调整权重。多次重复这个过程，比如说一万次。定义sigmoid导数：

def sigmoid_der(x):
    return x * (1 - x)

以下是计算和调整权重的方法：

for i in range(1):
    output = sigmoid(np.dot(training_inputs, synaptic_weights))

    error = trainign_outputs - outputs

    adjustments = error * sigmoid_der(outputs)

    synaptic_weights += np.dot(inputs.T, adjustments)

print('Synaptic weights:')
print(synaptic_weights)
print('Output:')
print(output)

开始学习，观察学习时长会如何影响结果。从100次迭代开始：

开始情况比较乐观——我们的人工智能已经学会了识别模式，但错误率仍然居高不下。现在进行1000次迭代：

情况好转，继续进行10000次迭代：

10万次迭代：

我们可以继续更多次的学习迭代，但永远无法达到100%的准确性，因为这需要进行无限次的计算。但即使在最坏的情况下，准确率也达到了99.77%，这也相当不错。

---

对于最终代码，我通过函数将其分开了。除此之外，在文本文件中，我还添加了一种非常复杂方法以存储权重。这样只需进行一次学习，而且需要使用AI时，只需导入权重并利用sigmoid函数即可。

import numpy as np
from tempfile import TemporaryFile
def sigmoid(x):
    return 1 / (1 + np.exp(-x))
def sigmoid_der(x):
    return x * (1 - x)
def training():
    training_inputs = np.array([[0,0,1,0], [1,1,1,0], [1,0,1,0], [0,1,1,1], [0,1,0,1]])
    trainign_outputs = np.array([[0,1,1,0,0]]).T
    np.random.seed(1)
    synaptic_weights = 2 * np.random.random((4,1)) - 1
            for i in range(50000):
        inputs = training_inputs
        outputs = sigmoid(np.dot(inputs, synaptic_weights))
        error = trainign_outputs - outputs
                adjustments = error * sigmoid_der(outputs)
        synaptic_weights += np.dot(inputs.T, adjustments)
    data_file = open("data.txt", "w")
    for row in synaptic_weights:
        np.savetxt(data_file, row)
    data_file.close()
def thinking(inputs):
    synaptic_weights = np.loadtxt("data.txt").reshape(4, 1)
    outputs = sigmoid(np.dot(inputs, synaptic_weights))
    print(outputs)
    return outputs
training()
thinking(np.array([1,1,0,1]))

这样就差不多完成了，但是后期还是需要自己投入时间去开发的。 (づ￣3￣)づ╭❤～

这篇是我引用了一些其他文章的文段，然后进行修改整合，然后再结合我私下的操作完成的，希望能够帮助到你。如果有什么疑问麻烦私信我，谢谢你。

---