【神經網路入門】用JAVA實現感知器演算法
簡述
隨著網際網路的高速發展，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程式設計的話，那麼對於程式設計師來說，人工智慧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路，不糾結於公式的推導，旨在給大家提供一下學習神經網路的思路，對神經網路有一個大概的認識。
感知器網路模型分析
首先看一張圖
如果稍微對神經網路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表示啟用函式，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 傳入到啟用函式(這裡我們稱啟用函式為 f)進行二分類模式識別 ：
if f(x) > e, y = 1
else y = -1
e 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，那麼這個神經網路就沒有存在的意義了，所以我們引入學習的概念，通過學習，讓神經網路去修改權值和閾值，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路一組樣本資料（這裡採取的是有教師模式學習），樣本資料包括輸入資料x和正確的識別結果y’。
當我們輸入訓練資料x得到模式識別y之後進行判斷，如果 y != y’ ，則會去調整此網路的權值和閾值，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')
m
Σ Wi += update * Xi
i=1
e += update
當感知器分類結果等於正確分類，update = 0，不調整網路；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：
輸入資料->求和得到z->通過啟用函式等到分類結果->分類結果與正確結果不符則調整網路
下面就讓我們來實現這個簡單的神經網路吧
Java程式碼實現
這裡我所實現的是通過神經網路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，多條輸入可以設定為陣列
*/
private float w;
/**
* 每次學習的正確率
*/
private float[] correctRate;
//
/**
* 建構函式初始化學習率，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];
}
/**
* 學習函式，samples 是一個包含輸入資料和分類結果的二維陣列，
* samples[][0] 表示輸入資料
* samples[][1] 表示正確的分類結果
* @param samples 訓練資料
*/
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;
}
}
/**
* 求和函式，模擬求和結點操作 輸入資料 * 權值
* @param num 輸入資料
* @return 求和結果 z
*/
private float sum(int num) {
return num * w + e;
}
/**
* 啟用函式，通過求和結果 z 和閾值 e 進行判斷
* @param num 輸入資料
* @return 分類結果
*/
public int predict(int num) {
return sum(num) >= 0 ? 1 : -1;
}
/**
* 列印正確率
*/
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);
}
}
然後寫生成訓練資料的函式
/**
* 生成訓練資料
* @return 訓練資料
*/
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;
}
/**
* 生成訓練資料
* @return 訓練資料
*/
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;
}
最後是主函式
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
侷限性
這個感知器神經網路比較簡單，是適用於可線性劃分的資料，比如一維的話正數和負數，二維的座標象限分類；對於不可線性劃分的資料無法進行正確的分類，如尋找質數等
csdn.net/wang19950207/article/details/78693107