簡述
隨著互聯網的高速發展，A（AI）B（BigData）C（Cloud）已經成為當下的核心發展方向，假如三者深度結合的話，AI是其中最核心的部分。所以如果說在未來社會，每個人都必須要學會編程的話，那么對于程序員來說，人工智能則是他們所必須掌握的技術（科技發展真tm快）。
這篇文章介紹并用JAVA實現了一種最簡單的感知器網絡，不糾結于公式的推導，旨在給大家提供一下學習神經網絡的思路，對神經網絡有一個大概的認識。
感知器網絡模型分析
首先看一張圖
如果稍微對神經網絡感興趣的一定對這張圖不陌生，這張圖是神經元的結構圖
X1~Xm表示輸入，W1~Wm表示突觸權值，Σ表示求和結點，Activation function表示激活函數，之后輸出一個結果，具體的流程是
神經元接收到輸入，每個輸入都會與其相對路徑上的權值相乘，到了求和結點進行求和，這里把求和結點的結果設為z ：
z = X1 * W1 + X2 * W2 + X3 * W3 + ...... + Xm * Wm
之后將 z 傳入到激活函數(這里我們稱激活函數為 f)進行二分類模式識別 ：
if f(x) > e,y = 1else y = -1e 為閾值y 為分類結果
這里可以看出，如果 f(x) 的值大于閾值，得到分類 y = 1，反之 y = -1
注：相對于生物神經元受到刺激表示的反應，如果刺激在可接受范圍之內，則神經元會抑制刺激（y = -1），如果超過范圍則會興奮（y = 1），而這個范圍的分水嶺就是閾值（e）
學習
我們發現，如果權值和閾值都固定的話，那么這個神經網絡就沒有存在的意義了，所以我們引入學習的概念，通過學習，讓神經網絡去修改權值和閾值，從而可以動態的修正模式識別的正確率，這才是機器學習的本質。
那么如何學習呢？當我們在使用之前我們需要提供給此網絡一組樣本數據（這里采取的是有教師模式學習），樣本數據包括輸入數據x和正確的識別結果y'。
當我們輸入訓練數據x得到模式識別y之后進行判斷，如果 y != y' ，則會去調整此網絡的權值和閾值，調整請看公式，μ 表示學習率（修正率），update 表示需要修正值：
update = μ * (yi - y')update = (f(x) - y')mΣ Wi += update * Xii=1e += update
當感知器分類結果等于正確分類，update = 0，不調整網絡；如果不等于正確分類，則會調整全部的權值（w）與閾值（e）
以上就是我所介紹的感知器最簡單的學習流程：
輸入數據->求和得到z->通過激活函數等到分類結果->分類結果與正確結果不符則調整網絡
下面就讓我們來實現這個簡單的神經網絡吧
Java代碼實現
這里我所實現的是通過神經網絡學習識別整數的正負
首先定義一個感知器的類
/** * Created by CimZzz on 12/2/17. * */public class Perceptron { /** * 學習率 */ private final float learnRate; /** * 學習次數 */ private final int studyCount; /** * 閾值 */ private float e; /** * 權值 * 因為判斷整數正負只需要一條輸入，所以這里只有一個權值，多條輸入可以設置為數組 */ private float w; /** * 每次學習的正確率 */ private float[] correctRate; // /** * 構造函數初始化學習率，學習次數，權值、閾值初始化為0 * @param learnRate 學習率（取值范圍 0 < learnRate < 1） * @param studyCount 學習次數 */ public Perceptron(float learnRate, int studyCount) { this.learnRate = learnRate; this.studyCount = studyCount; this.e = 0; this.w = 0; this.correctRate = new float[studyCount]; } /** * 學習函數，samples 是一個包含輸入數據和分類結果的二維數組， * samples[][0] 表示輸入數據 * samples[][1] 表示正確的分類結果 * @param samples 訓練數據 */ public void fit(int[][] samples) { int sampleLength = samples.length; for(int i = 0 ; i < studyCount ; i ++) { int errorCount = 0; for (int[] sample : samples) { float update = learnRate * (sample[1]-predict(sample[0])); //更新權值、閾值 w += update * sample[0]; e += update; //計算錯誤次數 if (update != 0) errorCount++; } //計算此次學習的正確率 correctRate[i] = 1 - errorCount * 1.0f / sampleLength; } } /** * 求和函數，模擬求和結點操作 輸入數據 * 權值 * @param num 輸入數據 * @return 求和結果 z */ private float sum(int num) { return num * w + e; } /** * 激活函數，通過求和結果 z 和閾值 e 進行判斷 * @param num 輸入數據 * @return 分類結果 */ public int predict(int num) { return sum(num) >= 0 ? 1 : -1; } /** * 打印正確率 */ public void printCorrectRate() { for (int i = 0 ; i < studyCount ; i ++) System.out.printf("第%d次學習的正確率 -> %.2f%%/n",i + 1,correctRate[i] * 100); }}然后寫生成訓練數據的函數
/** * 生成訓練數據 * @return 訓練數據 */ private static int[][] genStudyData() { //這里我們取 -100 ~ 100 之間的整數，大于0的設為模式 y = 1，反之為 y = -1 int[][] data = new int[201][2]; for(int i = -100 , j = 0; i <= 100 ; i ++ , j ++) { data[j][0] = i; data[j][1] = i >= 0 ? 1 : -1; } return data; } /** * 生成訓練數據 * @return 訓練數據 */ private static int[][] genStudyData2() { //這里我們取 1~250 之間的整數，大于125的設為模式 y = 1，反之為 y = -1 int[][] data = new int[250][2]; for(int i = 1 , j = 0; i <= 250 ; i ++ , j ++) { data[j][0] = i; data[j][1] = i >= 125 ? 1 : -1; } return data; }最后是主函數
public static void main(String[] args) { //這里的學習率和訓練次數可以根據情況人為調整 Perceptron perceptron = new Perceptron(0.4f,500); perceptron.fit(genStudyData()); perceptron.printCorrectRate(); System.out.println(perceptron.predict(-1)); System.out.println(perceptron.predict(126)); }大家可以測試一下
局限性
這個感知器神經網絡比較簡單，是適用于可線性劃分的數據，比如一維的話正數和負數，二維的坐標象限分類；對于不可線性劃分的數據無法進行正確的分類，如尋找質數等
以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持VeVb武林網。
新聞熱點
疑難解答
圖片精選
