人工智能：手把手教你搭建单层神经网络（思路清晰&简单易懂&上手快）

搭建单层神经网络首先需具备的知识如下：

1、人工智能基本理论
2、深度学习基本知识
3、机器学习基本知识
4、tensorflow基本知识
5、numpy（矩阵运算）基本知识
6、神经网络（搭建模型）基本知识
7、matplotlib（绘图）基本知识
8、pandas（python语言编写的软件库）基本知识

》不要吓到了，慢慢来，查查资料就能懂了（来自小白的仰望）

一、人工智能开发环境的安装（以下安装在Anaconda Prompt终端输入即可）

1、安装tensorflow

pip install --user --upgrade tensorflow  -i https://mirrors.aliyun.com/pypi/simple/ 

2、安装matplotlib

pip install --user --upgrade matplotlib notebook -i https://mirrors.aliyun.com/pypi/simple/

3、安装pandas

pip install --user --upgrade pandas  -i https://mirrors.aliyun.com/pypi/simple/

4、安装notebook

pip install --user --upgrade jupyter     -i https://mirrors.aliyun.com/pypi/simple/
注意：安装目录中的Scripts，需要添加到系统path中（不懂的可以发邮件询问我：Zhangyc_Engineer@qq.com）

二、使用的工具

1、Anaconda prompt（Miniconda）
该工具的安装，在我的博客主页大家可以自己去find
2、jupyter notebook

三、搭建单层神经网络（例如：全连接线性模型）

1、导入tensorflow和numpy包

import tensorflow as tf
import numpy as np

2、加载训练集（给人工智能投喂原始数据）

data = np.loadtxt("./xxxxx/yyyyy.csv",delimiter=',',skiprows=1)  #第一个参数为文件路径，第二个参数为里面的内容用逗号隔开，第三个参数为跳过第一行表头

3、可以打印以下读取的数据

print("data.shape:",data.shape)  #读取矩阵的形状，为x行y列，第一列为标号，第二列为经验年限，第三列为收入
experience=data[:,1]   #获取第1列的所有行
print("experience=",experience)
income=data[:,2]   #获取第二列的所有行
print("income=",income)

4、绘制图形（更直观地看数据的分布）

#下面可以绘图看一看
#首先导入matplotlib包
import matplotlib.pyplot as plt   #导入matplotlib包

plt.scatter(experience,income)   #画散点图，x为经验年限，y为收入

5、构建单层神经网络模型

#下面就是需要构建单层神经网络模型
model = tf.keras.Sequential()   #通过keras建立一个序列模型/线性模型，例如，f(x)=ax+b
#向模型中添加一个层及激活函数，全连接层的用法
model.add(tf.keras.layers.Dense(1,input_shape=(1,)  )) #第一个参数“1”，表示输出维度为1维，使用关键字input_shape=（1，）,表示输入的维度也是1维并且输入的参数只有1个，它是一个元组类型的数据

6、查看构建的模型的参数

model.summary()   #该方法可以查看模型，dense（Dense）：Dense表示全连接层；（None,1）：None第一个维度，表示样本的个数很多；param中的2表示有2个参数

7、模型建立完成就进行complie

#上面神经网络的模型就已经建立好了，下面需要配置和编译指定梯度算法、优化、损失等
model.compile(optimizer="adam",loss='mse',metrics=['acc']) #采用adam优化算法、损失函数为均方误差，metrics目的是监控准确性

8、compile之后就可以进行训练

#神经网络配置好之后，就可以开始训练
logs=model.fit(experience,income, epochs=5000)  #进行匹配experience和income，即训练，训练的次数为5000次

9、训练完之后，可以绘制训练次数与损失度的图形

#训练完之后，可以画个图看看
plt.scatter(logs.epoch, logs.history.get('loss'))

10、训练完之后就可以进行预测

#训练完之后，就可以进行预测
#比如预测有20.6666年的经验experience，他的收入能达到多少？
result=model.predict([20.6666]) #这里必须是元组类型
print(result)
预测结果：
[[64.90245]]

四、总结

1、训练集需要大家自己去准备
格式：x行3列（第一列为标号，第二列为输入的经验experience，第三列为输出的收入income），文件后缀为.csv格式
2、本次训练为单层神经网络模型
3、神经网络为Dense全连接形式
4、模型为线性模型，例如：f(x)=ax+b
5、未添加激活函数activation
6、训练此时对预测结果有一定的影响&准备的训练集不够好也会对结果有一定的影响
7、建议大家网上去爬一下别人公开的数据集，来对人工智能进行投喂，这样结果比较准确且有实际应用意义