如何用Python教机器学会牛顿第二定律?

牛顿第二定律的常见表述如下：
物体加速度的大小跟作用力成正比，跟物体的质量成反比，且与物体质量的倒数成正比。

结合我们所学过的牛顿第二定律,我们知道物体的加速度ａ和作用力F之间的关系应该是线性关系,于是我们提出假设 a=w∗F,并进行5次实验，统计到不同的作用力下木块加速度如下表所示:

我们很快就能得出w为2,通过大量实验数据的训练，我们便可以确定参数ｗ是物体质量的倒数(１/m)

这是人的思维,换作机器,我们改怎么才能让机器确定模型的参数w就是物体质量的倒数呢?

机器如一个机械的学生一样，只能通过尝试答对（最小化损失）大量的习题（已知样本）来学习知识（模型参数ｗ），期望用学习到的知识ｗ组成完整的模型H(θ,X)，使模型能回答不知道答案的考试题（未知样本）

在牛顿第二定律的案例中，基于对数据的观测，我们提出的是线性假设，即作用力和加速度是线性关系，用线性方程表示。

因此,在教机器学习牛顿第二定律之前,我们先要创建牛顿第二定律的实验数据:

def creat_npy():
    arr = []
    for i in range(1,1001):
        arr.append(i)
        arr.append(2 * i)
    arr = np.array(arr)
    # print(arr)
    np.save('arr.npy', arr)

creat_npy()

我们先用列表的形式创建实验数据,每条数据包括2项,分别是加速度与作用力,第0-1项是第一条数据，第2-3项是第二条数据，…

这样的数据肯定是不能直接用的,我们需要对数据进行处理:

def load_data():
    data = np.load('arr.npy')
    feature_names = [ 'F', 'a' ]
    feature_num = len(feature_names)
    # print(data.shape[0])
    data = data.reshape([data.shape[0] // feature_num, feature_num])
    ratio = 0.8
    offset = int(data.shape[0] * ratio)
    # 训练集和测试集的划分比例
    training_data = data[:offset]
    test_data = data[offset:]
    return training_data, test_data

这里取了80%的数据作为训练集,20%的数据作为样本集

接下来,我们开始定义神经网络,神经网络能干什么?

简单来说,向网络中输入一个值（x），乘以权重，结果就是网络的输出值。对于牛顿第二定律,可以理解为,输入加速度a,乘以权重w,输出作用力F。

那么我们怎么样获取权重呢?

一般来说,我们会把权重设置为一个随机数,而权重可以随着网络的训练进行更新,从而找到最佳的值,这样网络就能尝试匹配输出值与目标值。

我们怎么更新权重才能使它变成我们的期望值?

讲到这里,我们就要进行分析了,这里我们用机器实际生成的权重举例:

class Network(object):
    def __init__(self, num_of_weights):
        # 随机产生w的初始值
        # 为了保持程序每次运行结果的一致性，此处设置固定的随机数种子
        np.random.seed(0)
        self.w = np.random.randn(num_of_weights,