教AI做件简单的事：从零开始构建首个神经网络

约定不等于承诺〃 2022-12-31 02:25 88阅读 0赞

> 全文共2278字，预计学习时长6分钟

![教AI做件简单的事：从零开始构建首个神经网络][AI]

图源：Google

很长时间以来，我一直对构建神经网络跃跃欲试，现在终于有机会来研究它了。我想我并没有完全掌握神经网络背后的数学原理，所以先教人工智能做一些简单的事情吧。

代码原理

神经网络并不是一个新概念，1943年，由沃伦·麦卡洛克(WarrenMcCulloch)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：

![教AI做件简单的事：从零开始构建首个神经网络][AI 1]

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：

![教AI做件简单的事：从零开始构建首个神经网络][AI 2]

Sigmoid函数：

![教AI做件简单的事：从零开始构建首个神经网络][AI 3]

**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：

![教AI做件简单的事：从零开始构建首个神经网络][AI 4]

**先决条件**

开始编码的前提——在概念上达到一定程度的理解。

NumPY安装:

pip install numpy

安装成功，即可进入编码部分。首先，将NumPy导入Python文件中：

import numpy as np

**训练神经网络**

首先，创建一个sigmoid函数：

![教AI做件简单的事：从零开始构建首个神经网络][AI 5]

其次，定义训练示例、输入(4×5矩阵)和输出：

![教AI做件简单的事：从零开始构建首个神经网络][AI 6]

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：

![教AI做件简单的事：从零开始构建首个神经网络][AI 7]

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：

![教AI做件简单的事：从零开始构建首个神经网络][AI 8]

输出结果如下图：

![教AI做件简单的事：从零开始构建首个神经网络][AI 9]

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：

![教AI做件简单的事：从零开始构建首个神经网络][AI 10]

以下是计算和调整权重的方法：

![教AI做件简单的事：从零开始构建首个神经网络][AI 11]

开始学习，观察学习时长会如何影响结果。从100次迭代开始：

![教AI做件简单的事：从零开始构建首个神经网络][AI 12]

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：

![教AI做件简单的事：从零开始构建首个神经网络][AI 13]

情况好转，继续进行10000次迭代：

![教AI做件简单的事：从零开始构建首个神经网络][AI 14]

10万次迭代：

![教AI做件简单的事：从零开始构建首个神经网络][AI 15]

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%，这相当不错。

对于最终代码，我写得很漂亮，并通过函数将其分开。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]))

![教AI做件简单的事：从零开始构建首个神经网络][AI 16]

图源：Pixabay

我的第一个人工智能已经准备就绪，随时可以投入生产。即使它只能在极小的数据集上识别非常简单的模式，但现在我们可以扩展它，例如，尝试教授人工智能识别图片中的内容。学无止境，精进不休！

![教AI做件简单的事：从零开始构建首个神经网络][AI 17]

**一起分享AI学习与发展的干货**

**欢迎关注全平台AI垂类自媒体 “读芯术”**

![format_png][]

（添加小编微信：dxsxbb，加入读者圈，一起讨论最新鲜的人工智能科技哦～）

[AI]: /images/20221120/133a1389c8cf4c33ae097cd76dfaa267.png
[AI 1]: /images/20221120/c86b7b0cf33f4999803194ed6bc4e3ba.png
[AI 2]: /images/20221120/0edbe5eafa3c49a2b11be6ef8b855e6f.png
[AI 3]: /images/20221120/8ef5b76abafb4a8fb5988bb7361788ed.png
[AI 4]: /images/20221120/c69c91a2b7fd484a918289fade302203.png
[AI 5]: /images/20221120/65e4fe94b9aa468fb03481c8c330ff4c.png
[AI 6]: /images/20221120/b5e7d573dd7d48d78e347eb83a469ae6.png
[AI 7]: /images/20221120/78082c02a99749359181036c1006841a.png
[AI 8]: /images/20221120/33114bc9f674449ba991a363bb3d9fc0.png
[AI 9]: /images/20221120/faef9c6d9f944c06995494514795c145.png
[AI 10]: /images/20221120/2af3686442f841f4a55bda0ca96246a3.png
[AI 11]: /images/20221120/9d1630d2b5554f638c5d37651a462471.png
[AI 12]: /images/20221120/0c6ae3ce184f4150b583b068a703eaaa.png
[AI 13]: /images/20221120/09fbb7942a0340be83a5832f50f8a801.png
[AI 14]: /images/20221120/a587fe8d69ba4c79987800b50e889cff.png
[AI 15]: /images/20221120/46a7319ea9bf4734bcba0e1c739e3d7e.png
[AI 16]: /images/20221120/cb177cfdf07941a58eae7c3541bd0707.png
[AI 17]: /images/20221120/bb2a0cb655504a2dbfb7982da7cc0e3c.png
[format_png]: /images/20221120/2d1ed38c64b142ef90e31da0adafbbf8.png