人工智能应用实例：数字识别(神经网络)

人工智能应用实例：数字识别(神经网络)

 

 

场景设置

    现提供一大堆8*8像素的图片，每张图片上面都是一个手写体的数字0-9，要求通过神经网络的方法，以其中一部分图片作为训练集生成一个数字识别的智能系统，以剩下的图片检验数字识别系统的准确性。

 

    数据集已经过预处理程序从手写体数字0-9提取位图，分为训练集datatra.txt和测试集datatest.txt，文件格式：每一行数据为一条记录，表示一张图片，共有65个属性，前64个属性为该图片的位图特征向量(每个属性取值范围都是0-16)，最后一个属性为该图片上面的数字值0-9。

 

 

神经网络

    1、基本介绍

    神经网络是人工智能的一个重要分支，神经网络的模型是基于神经元的，每个神经元就是一个函数，把输入信号映射成特定的一个输出，然后这个输出信号又可以作为下一个神经元的输入信号，这样便形成一张错综复杂的神经网络。

图1  神经元

 

    举个简单的例子，假设只有一个神经元，它接受3个信号输入，实现的函数功能为对所有输入信号求和，而实际上神经元对每个输入信号有一个权重，意义在于说每个输入信号对神经元的刺激程度是不一样的，不能同等对待。假设神经元对这3个输入的权重为(1, 3, 2)，那么当输入为(4, 8, 5)的时候，输出为1*4+3*8+2*5=38。

 

    一般而言，要从给定的知识库训练一个神经网络系统，神经元的函数功能是已知的，目标就是学习一组最佳的对每个输入信号的权重。

 

   2、 线性回归

    下面谈一下大家耳熟能详的线性回归，在平面上有一堆散列的点，目标是求一条最大程度拟合这些点的直线。很显然地，这也可以看作一个单神经元的神经网络模型，它有两个输入：x和1，两者权重为w1、w0，执行的函数功能为g(x)=x，因此模型表达式如下：

 

    其中W=(w0, w1)是各个输入信号的权重向量，我们的目标就是求得使直线拟合程度最大的W。按照以前数学教的方法，我们定义了平方差和为误差衡量标准，然后通过对W的各个分量求导就能算出最佳的W，回顾一下下面几条式子吧！