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，那麼對於程序員來說，人工智能則是他們所必須掌握的技術（科技發展真tm快）。
這篇文章介紹並用JAVA實現了一種最簡單的感知器網絡，不糾結於公式的推導，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，之後輸出一個結果，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，這裡把求和結點的結果設為z ：
z = X1 * W1 + X2 * W2 + X3 * W3 + ...... + Xm * Wm
之後將z 傳入到激活函數(這裡我們稱激活函數為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
這裡可以看出，如果f(x) 的值大於閾值，得到分類y = 1，反之y = -1
注：相對於生物神經元受到刺激表示的反應，如果刺激在可接受範圍之內，則神經元會抑制刺激（y = -1），如果超過範圍則會興奮（y = 1），而這個範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，那麼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。
那麼如何學習呢？當我們在使用之前我們需要提供給此網絡一組樣本數據（這裡採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之後進行判斷，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於正確分類，update = 0，不調整網絡；如果不等於正確分類，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
這裡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，所以這裡只有一個權值，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（取值範圍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); }}然後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() { //這裡我們取-100 ~ 100 之間的整數，大於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() { //這裡我們取1~250 之間的整數，大於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; }最後是主函數
public static void main(String[] args) { //這裡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，是適用於可線性劃分的數據，比如一維的話正數和負數，二維的坐標象限分類；對於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武林網。