人工AI — 神經網路構建初步

在之前我就一直對人工智能感興趣，就去了解那些基本原理啊包括其他一些人的博客，后面就干脆直接實戰了，我會從“新”電腦的角度開講，我會參考我之前參考的博客結合我后期我自己的實際操作步奏，盡量讓你一看就會吧，，，

先來簡單的了解一下吧，(｡?﹃?｡)阿巴阿巴阿巴

神經網路并不是一個新概念，1943年，由沃倫·麥卡洛克(Warren McCulloch)和沃爾特·皮茨(Walter Pitts)首次提出，

我們將構建一個沒有隱藏層或感知器的單層神經網路，它由一個包含訓練示例、突觸或權重以及神經元的輸入層和一個含有正確答案的輸出層組成，神經網路圖形如下所示：

此外，需要了解一些如sigmoid和導數之類的數學概念，以清楚神經元的學習方式，神經元只需進行簡單操作，即取一個輸入值，乘以突觸權重，之后，對所有這些乘法結果求和，并使用sigmoid函式獲得0到1內的輸出值，

神經元表示：

Sigmoid函式：

問題界定

輸入層上有數字序列，我們預期的理想結果是，在資料集樣本中，如果輸入第一個數字是1，則神經網路回傳1；如果第一個數字是0，則回傳0，結果在輸出層中顯示，問題集如下圖：

那么現在開始吧?( ‘ω’ )? get！

如果是剛安裝Linux（全代碼那種），可能還要先配置一下網路環境（動態配置網路環境：dhclient）和安裝一下ssh（后期可以在內網的另一臺機子上控制輸入指令，這樣就可以更好的粘貼復制了（斜眼笑））

先是要安裝一下pip（pip 是 Python 包管理工具，該工具提供了對Python 包的查找、下載、安裝、卸載的功能，），后面是要用pip安裝numpy的，下載安裝腳本：

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

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

sudo apt-get install python-pip

當然如果你已經下載好了pip（如果你在 python.org 下載最新版本的安裝包，則是已經自帶了該工具，Python 2.7.9 + 或 Python 3.4+ 以上版本都自帶 pip 工具，）
則查看一下版本或升級：
查看版本：

pip --version 

升級pip：

pip install -U pip

如果升級出現了問題就用這個 QAQ：

sudo easy_install --upgrade pip

NumPY（NumPy(Numerical Python) 是 Python 語言的一個擴展程式庫，支持大量的維度陣列與矩陣運算，此外也針對陣列運算提供大量的數學函式庫，）安裝命令：

pip3 install --user numpy scipy matplotlib

–user 選項可以設定只安裝在當前的用戶下，而不是寫入到系統目錄，
默認情況使用國外線路，如果國外線路太慢，那我們使用清華的鏡像就可以了:

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

Linux 下安裝:
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的話就用這個：

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

安裝成功，即可進入編碼部分，將NumPy匯入Python檔案中：

import numpy as np

訓練神經網路?( ‘ω’ )? get！

首先，創建一個sigmoid函式：

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

其次，定義訓練示例、輸入(4×5矩陣)和輸出：

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

接下來，通過生成隨機值來初始化突觸權重，并將結果排列在4×1的矩陣中：

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

最后，構建訓練模型，使用for回圈，所有的訓練都將在此回圈中進行，呼叫sigmoid函式，并將所有輸入的總和乘以sigmoid權重，然后采用Np.dot進行矩陣乘法，程序如下圖：

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

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

輸出結果如下圖：

現在進行神經網路模型訓練，方法是計算sigmoid函式的輸出和實際輸出之間的差值，之后可以根據誤差的嚴重性調整權重，多次重復這個程序，比如說一萬次，定義sigmoid導數：

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

以下是計算和調整權重的方法：

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)

開始學習，觀察學習時長會如何影響結果，從100次迭代開始：

開始情況比較樂觀——我們的人工智能已經學會了識別模式，但錯誤率仍然居高不下，現在進行1000次迭代：

情況好轉，繼續進行10000次迭代：

10萬次迭代：

我們可以繼續更多次的學習迭代，但永遠無法達到100%的準確性，因為這需要進行無限次的計算，但即使在最壞的情況下，準確率也達到了99.77%，這也相當不錯，

對于最終代碼，我通過函式將其分開了，除此之外，在文本檔案中，我還添加了一種非常復雜方法以存盤權重，這樣只需進行一次學習，而且需要使用AI時，只需匯入權重并利用sigmoid函式即可，

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]))

這樣就差不多完成了，但是后期還是需要自己投入時間去開發的， (づ￣3￣)づ╭?～

這篇是我參考了一些其他文章的文段，然后進行修改整合，然后再結合我私下的操作完成的，希望能夠幫助到你，如果有什么疑問麻煩私信我，謝謝你，