感知机
1 人工智能三学派
我们常说的人工智能，就是让机器具备人的思维和意识。人工智能主要有三个学派，即行为主义、符号主义和连接主义。
行为主义：是基于控制论的，是在构建感知、动作的控制系统。单脚站立是行为主义一个典型例子，通过感知要摔倒的方向，控制两只手的动作，保持身体的平衡。这就构建了一个感知、动作的控制系统，是典型的行为主义。
符号主义：基于算数逻辑表达式。即在求解问题时，先把问题描述为表达式，再求解表达式。例如在求解某个问题时，利用 if case 等条件语句和若干计算公式描述出来，即使用了符号主义的方法，如专家系统。符号主义是能用公式描述的人工智能，它让计算机具备了理性思维。
连接主义：仿造人脑内的神经元连接关系，使人类不仅具备理性思维，还具备无法用公式描述的感性思维，如对某些知识产生记忆。
图 1.1 展示了人脑中的一根神经元，其中紫色部分为树突，其作为神经元的输入。黄色部分为轴突，其作为神经元的输出。人脑就是由 860 亿个这样的神经元首尾相接组成的网络。
*图 1.1 神经元示意图*
基于连接主义的神经网络模仿上图的神经元，使计算机具有感性思维。
*图 1.2 人脑神经网络变化示意图*
随着我们的成长，大量的数据通过视觉、听觉涌入大脑，使我们的神经网络
连接，也就是这些神经元连接线上的权重发生了变化，有些线上的权重增强了， 有些线上的权重减弱了。如图 1.3 所示。
*图 1.3 神经网络权重变化示意图*
2 神经网络设计过程
我们要用计算机模仿刚刚说到的神经网络连接关系，让计算机具备感性思维。
首先，需要准备数据，数据量越大越好，要构成特征和标签对。如要识别猫， 就要有大量猫的图片和这个图片是猫的标签，构成特征标签对。 随后，搭建神经网络的网络结构，并通过反向传播，优化连线的权重，直到 模型的识别准确率达到要求，得到最优的连线权重，把这个模型保存起来。
最后，用保存的模型，输入从未见过的新数据，它会通过前向传播，输出概 率值，概率值最大的一个，就是分类或预测的结果。图 2.1 展示了搭建与使用神 经网络模型的流程。
*图 2.1 搭建与使用神经网络示意图2.1 数据集介绍*
采用鸢尾花数据集，此数据集包含鸢尾花花萼长、花萼宽、花瓣长、 花瓣宽及对应的类别。其中前 4 个属性作为输入特征，类别作为标签，0 代表狗尾草鸢尾，1 代表杂色鸢尾，2 代表弗吉尼亚鸢尾。人们通过对数据进行分析总结出了规律：通过测量花的花萼长、花萼宽、花瓣长、花瓣宽，可以得出鸢尾花的类别（如：花萼长>花萼宽且花瓣长/花瓣宽>2，则杂色鸢尾）。
由上述可知，这边采用搭建神经网络的办法对其进行分类，即将鸢尾花花萼长、花萼宽、花瓣长、花瓣宽四个输入属性喂入搭建好的神经网络，网络优化参数得到模型，输出分类结果。
2.2 网络搭建与训练
搭建包含输入层与输出层的神经网络模型，通过对输入值乘权值，并于偏置值求和的方式得到输出值，图示如下。
*图 2.2 鸢尾花神经网络简要模型*
由图 2.2 可知输出 y = x ∗w+ b ，即所有的输入 x 乘以各自线上的权重 w 求和加上偏置项b得到输出y 。由 2.1部分对数据集的介绍可知，输入特征 x 形状应为(1,4)即 1 行 4 列，输出 y 形状应为(1,3)即 1 行 3 列，w 形状应为(4,3)即 4 行 3 列，b 形状应为(3, )即有 3 个偏置项。
搭建好基本网络后，需要输入特征数据，并对线上权重 w 与偏置b 进行初始化。搭建的神经网络如图 2.3 所示， w,b 初始化矩阵如图 2.4 所示。在这里，我们输入标签为 0 的狗尾草鸢尾。
*图 2.3 鸢尾花神经网络展开模型*
*图 2.4 权重与偏置初始化矩阵*
有了输入数据与线上权重等数据，即可按照 y = x ∗ w + b 方式进行前向传播， 计算过程如图 2.5 所示。
*图 2.5 前向传播计算过程*
图 2.5 中输出 y 中，1.01 代表 0 类鸢尾得分，2.01 代表 1 类鸢尾得分，0.66 代表2 类鸢尾得分。通过输出 y 可以看出数值最大(可能性最高)的是 1 类鸢尾，而不是标签0类鸢尾。这是由于最初的参数 w 和b 是随机产生的，现在输出的结果是蒙的。 为了修正这一结果，我们用损失函数，定义预测值 y 和标准答案(标签) _ y 的 差距，损失函数可以定量的判断当前这组参数 w 和b 的优劣，当损失函数最小 时，即可得到最优w的值和b的值。
损失函数的定义有多种方法，均方误差就是一种常用的损失函数，它计算每个前向传播输出 y 和标准答案 _ y的差求平方再求和再除以 n 求平均值，表征了
网络前向传播推理结果和标准答案之间的差距。
通过上述对损失函数的介绍，其目的是寻找一组参数 w 和b 使得损失函数最小。为达成这一目的，我们采用梯度下降的方法。损失函数的梯度表示损失函数 对各参数求偏导后的向量，损失函数梯度下降的方向，就是是损失函数减小的方向。梯度下降法即沿着损失函数梯度下降的方向，寻找损失函数的最小值，从而得到最优的参数。梯度下降法涉及的公式如下
wt+1 = wt −lr∂loss/∂wt
bt+1 = bt −lr∂loss/∂bt
wt+1x+bt+1 → y
上式中，lr 表示学习率，是一个超参数，表征梯度下降的速度。如学习率设置 过小，参数更新会很慢，如果学习率设置过大，参数更新可能会跳过最小值。
上述梯度下降更新的过程为反向传播，下面通过例子感受反向传播。利用如 下公式对参数 w 进行更新。
wt+1 = wt −lr∂loss/∂wt
设损失函数为(w+1)2，则其对w的偏导数为2w+2。设w在初始化时被随机初始化为 5，学习率设置为 0.2。则我们可按上述公式对w进行更新：第一次参数为 5，按上式计算即5−0.2×(2×5+ 2) =2.6。同理第二次计算得到参数为 1.16，第三次计算得到参数为 0.296…… 画出损失函数(w+1)2的图像，可知w =-1时损失函数最小，我们反向传播优化参数的目的即为找到这个使损失函数最小的w =-1值。
3.添加独热码标签
可用 tf.one_hot(待转换数据，depth=几分类)函数实现用独热码表示标签，在分类问题中很常见。标记类别为为 1 和 0，其中 1 表示是，0 表示非。如在鸢尾花分类任务中，如果标签是 1，表示分类结果是 1 杂色鸢尾，其用把它用独热码表示就是 0,1,0，这样可以表示出每个分类的概率：也就是百分之 0 的可能是 0 狗尾草鸢尾，百分百的可能是 1 杂色鸢尾，百分之 0 的可能是弗吉尼亚鸢尾。举例如下：
classes = 3 labels = tf.constant([1,0,2]) output = tf.one_hot( labels, depth=classes ) print(output)
输出结果：tf.Tensor([[0. 1. 0.] [1. 0. 0.] [0. 0. 1.]], shape=(3, 3), dtype=float32)
索引从 0 开始，待转换数据中各元素值应小于 depth，若带转换元素值大于等于depth，则该元素输出编码为 [0, 0 … 0, 0]。即 depth 确定列数，待转换元素的个数确定行数。举例如下：
classes = 3
labels = tf.constant([1,4,2]) # 输入的元素值 4 超出 depth-1
output = tf.one_hot(labels,depth=classes) print(output)
输出结果：
tf.Tensor([[0. 1. 0.] [0. 0. 0.] [0. 0. 1.]], shape=(3, 3), dtype=float32) 即元素 4 对应的输出编码为[0. 0. 0.]。
3.2 可利用 tf.nn.softmax( )函数使前向传播的输出值符合概率分布，进而与独热码形式的标签作比较，其计算公式为 :
其中yi 是前向传播的输出。在前一部分，我们得到了前向传播的输出值，分别为 1.01、2.01、-0.66，通过上述计算公式，可计算对应的概率值：
上式中，0.256表示为0类鸢尾的概率是 25.6%，0.695 表示为1类鸢尾的概率是
69.5%，0.048 表示为2类鸢尾的概率是4.8%程序实现如下：
y=tf.constant([1.01, 2.01, -0.66])
y_pro=tf.nn.softmax(y) print("After softmax, y_pro is:", y_pro)
输出结果：After softmax, y_pro is:
tf.Tensor([0.25598174 0.69583046 0.0481878], shape=(3,), dtype=float32)
与上述计算结果相同。
4总结
- 准备数据:采集大量“特征标签”数据
- 搭建网络:搭建神经网络结构
- 优化参数:训练网络获取最佳参数(反传)
- 应用网络:将网络保存为模型，输入新数据输出分类或预测结果(前传)
源码1：（源码二，是20行解决这个问题）
# 利用鸢尾花数据集，实现前向传播、反向传播，可视化loss曲线
# 导入所需模块
import tensorflow as tf
from sklearn import datasets #导入数据集
from matplotlib import pyplot as plt
import numpy as np #数组
import time
# 导入数据，分别为输入特征和标签
x_data = datasets.load_iris().data
y_data = datasets.load_iris().target
# 随机打乱数据（因为原始数据是顺序的，顺序不打乱会影响准确率）
# seed: 随机数种子，是一个整数，当设置之后，每次生成的随机数都一样
np.random.seed(116) # 使用相同的seed，保证输入特征和标签一一对应
np.random.shuffle(x_data)
np.random.seed(116)
np.random.shuffle(y_data)
tf.random.set_seed(116)
# 将打乱后的数据集分割为训练集和测试集，训练集为前120行，测试集为后30行
x_train = x_data[:-30]
y_train = y_data[:-30]
x_test = x_data[-30:]
y_test = y_data[-30:]
# 转换x的数据类型，否则后面矩阵相乘时会因数据类型不一致报错
x_train = tf.cast(x_train, tf.float32)
x_test = tf.cast(x_test, tf.float32)
# from_tensor_slices函数使输入特征和标签值一一对应。（把数据集分批次，每个批次batch组数据）
train_db = tf.data.Dataset.from_tensor_slices((x_train, y_train)).batch(32) #分批次喂入
test_db = tf.data.Dataset.from_tensor_slices((x_test, y_test)).batch(32)
# 生成神经网络的参数，4个输入特征故，输入层为4个输入节点；因为3分类，故输出层为3个神经元
# 用tf.Variable()标记参数可训练
w1 = tf.Variable(tf.random.truncated_normal([4, 3], stddev=0.1, seed=1))
b1 = tf.Variable(tf.random.truncated_normal([3], stddev=0.1, seed=1))#（标准差，随机参数）
lr = 0.1 # 学习率
train_loss_results = [] # 将每轮的loss记录在此列表中，为后续画loss曲线提供数据
test_acc = [] # 将每轮的acc记录在此列表中，为后续画acc曲线提供数据
epoch = 500 # 循环500轮
loss_all = 0 # 每轮分4个step，loss_all记录四个step生成的4个loss的和
# 训练部分
now_time = time.time() ##2##
for epoch in range(epoch): #数据集级别的循环，每个epoch循环一次数据集
for step, (x_train, y_train) in enumerate(train_db): #batch级别的循环 ，每个step循环一个batch
with tf.GradientTape() as tape: # with结构记录梯度信息
y = tf.matmul(x_train, w1) + b1 # 神经网络乘加运算
y = tf.nn.softmax(y) # 使输出y符合概率分布（此操作后与独热码同量级，可相减求loss）
y_ = tf.one_hot(y_train, depth=3) # 将标签值转换为独热码格式，方便计算loss和accuracy
loss = tf.reduce_mean(tf.square(y_ - y)) # 采用均方误差损失函数mse = mean(sum(y-out)^2)
loss_all += loss.numpy() # 将每个step计算出的loss累加，为后续求loss平均值提供数据，这样计算的loss更准确
# 计算loss对各个参数的梯度
grads = tape.gradient(loss, [w1, b1])
# 实现梯度更新 w1 = w1 - lr * w1_grad b = b - lr * b_grad
w1.assign_sub(lr * grads[0]) # 参数w1自更新
b1.assign_sub(lr * grads[1]) # 参数b自更新
# 每个epoch，打印loss信息
print("Epoch {}, loss: {}".format(epoch, loss_all/4))
train_loss_results.append(loss_all / 4) # 将4个step的loss求平均记录在此变量中
loss_all = 0 # loss_all归零，为记录下一个epoch的loss做准备
# 测试部分
# total_correct为预测对的样本个数, total_number为测试的总样本数，将这两个变量都初始化为0
total_correct, total_number = 0, 0
for x_test, y_test in test_db:
# 使用更新后的参数进行预测
y = tf.matmul(x_test, w1) + b1
y = tf.nn.softmax(y)
pred = tf.argmax(y, axis=1) # 返回y中最大值的索引，即预测的分类
# 将pred转换为y_test的数据类型
pred = tf.cast(pred, dtype=y_test.dtype)
# 若分类正确，则correct=1，否则为0，将bool型的结果转换为int型
correct = tf.cast(tf.equal(pred, y_test), dtype=tf.int32)
# 将每个batch的correct数加起来
correct = tf.reduce_sum(correct)
# 将所有batch中的correct数加起来
total_correct += int(correct)
# total_number为测试的总样本数，也就是x_test的行数，shape[0]返回变量的行数
total_number += x_test.shape[0]
# 总的准确率等于total_correct/total_number
acc = total_correct / total_number
test_acc.append(acc)
print("Test_acc:", acc)
print("--------------------------")
total_time = time.time() - now_time ##3##
print("total_time", total_time) ##4##
# 绘制 loss 曲线
plt.title('Loss Function Curve') # 图片标题
plt.xlabel('Epoch') # x轴变量名称
plt.ylabel('Loss') # y轴变量名称
plt.plot(train_loss_results, label="$Loss$") # 逐点画出trian_loss_results值并连线，连线图标是Loss
plt.legend() # 画出曲线图标
plt.show() # 画出图像
# 绘制 Accuracy 曲线
plt.title('Acc Curve') # 图片标题
plt.xlabel('Epoch') # x轴变量名称
plt.ylabel('Acc') # y轴变量名称
plt.plot(test_acc, label="$Accuracy$") # 逐点画出test_acc值并连线，连线图标是Accuracy
plt.legend()
plt.show()
源码2：（实现效果同上）
import tensorflow as tf
from tensorflow.keras.layers import Dense
from tensorflow.keras import Model
from sklearn import datasets
import numpy as np
x_train = datasets.load_iris().data
y_train = datasets.load_iris().target
np.random.seed(116)
np.random.shuffle(x_train)
np.random.seed(116)
np.random.shuffle(y_train)
tf.random.set_seed(116)
class IrisModel(Model):
def __init__(self):
super(IrisModel, self).__init__()
self.d1 = Dense(3, activation='softmax', kernel_regularizer=tf.keras.regularizers.l2())
def call(self, x):
y = self.d1(x)
return y
model = IrisModel()
model.compile(optimizer=tf.keras.optimizers.SGD(lr=0.1),
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
metrics=['sparse_categorical_accuracy'])
model.fit(x_train, y_train, batch_size=32, epochs=500, validation_split=0.2, validation_freq=20)
model.summary()
8179
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
