河南建设教育中心网站,wordpress 数据迁移,新闻源软文发布平台,建设银行网络连接异常网站服务器失去响应本文将不使用任何人工智能框架#xff0c;只用简单的 dotnet 的类#xff0c;自己搭建一个人工智能网络。本文适合小伙伴跟着一步步写特别感谢老马的程序人生的帮助#xff0c;本文有大量代码都是从如何利用 C# 抽象神经网络模型抄的在人工智能模型有不同的问题可以选用不同… 本文将不使用任何人工智能框架只用简单的 dotnet 的类自己搭建一个人工智能网络。本文适合小伙伴跟着一步步写特别感谢老马的程序人生的帮助本文有大量代码都是从如何利用 C# 抽象神经网络模型抄的在人工智能模型有不同的问题可以选用不同的模型本文主要写一个 BP 网络用于做分类也就是写出一个简单的多分类人工智能和一个模拟二进制 与 计算和 或 计算。请不要认为本文会告诉大家如何写一个会和你聊QQ的人工智能这里的人工智能其实也就是一个工具和想象的智能差距有点大。本文的人工智能只能做对数值输入进行分类或实现模拟二进制计算在一个人工智能模型可以将人工智能模型作为网络模型建立一个人工智能模型是一个网络模型一个网络里面会有很多层每一层有很多元。本文将从小到大进行定义先从元定义然后再从层定义最后定义网络在人工智能模型里面最小单元都是神经元。一个神经元可以收到多个输入而只有一个输出。在代码里面将输入和输出的值都定义为double值。而本文写的神经元是固定输入数量也就是在神经元对象创建的时候需要告诉这个神经元可以收到多少个数量的输入在神经元里面将会对每个输入添加一个权值在神经网络的每个元可以收到多个输入而对每个输入需要使用不同的权值计算最简单的神经元就是将每个输入的值乘以一个权值然后加起来然后输出。当然稍微复杂一点的是加起来之后需要加一个阈值然后调用激活函数计算输出先忽略元的计算定义元的数据结构上面的模型感谢老马的程序人生大佬提供只是定义了基础数据结构而计算方法作为抽象方法。在 Compute 方法接受多个输入然后有一个 double 输出在 Randomize 方法给了权值数组一些随机值其实有一句话是人工智能和随机猜是差不多的。本文下面将写一个随机给权值的训练方法上面的 DoubleRange 是自己定义的用来创建范围内的随机数只需要看代码就知道是如何做的接下来定义一个 ActivationNeuron 继承 Neuron 这里定义了阈值和激活函数计算的方法是将多个输入的每个输入乘以权值加起来然后加上阈值接下来放入激活函数计算输出。为什么需要激活函数原因是计算的 sum 的值需要输出到下一层需要将 sum 的值处理如本文需要让每一层的输入的值都是 1 和 0而因为每一层的输出会作为下一层的输入所以需要将 sum 值计算为 1 和 0 也就是通过 阈值函数 将一个值按照是否大于等于 0 分为 1 和 0 两个值那么 阈值函数 的定义是什么阈值就是临界值函数的目的是大于这个临界值会怎么样小于这个临界值会怎么样。本文只是让大于等于 0 输出为 1 否则输出 0 这个值激活函数的定义是和 阈值函数 相应的激活函数还有符号函数等符号函数就是按照一定的范围将输入转换为 1 或 -1 因为负数叫符号这也就是符号函数的名字。详细定义请看 符号函数也就是在接受多个输入对多个输入乘以权值加起来再加上阈值放入激活函数计算后输出。这就是最简单的元的定义定义完成了元接下来就是定义层的概念每一层可以有多个元每一层可以收到上一层的数据。而第一层叫输入层输入层将会接受用户的输入。最后一层叫输出层输出层的值将会作为输出。简单的网络只需要一个元一个元作为一层而这个网络也只有一层。这一层只有一个元是输入层也是输出层。这是最简单的模型也就是本文接下来告诉大家的模型。也就是元是核心只有一个元也能做出人工智能定义的层需要知道输入的数量而层里每个元都会被定义相同数量的输入。此时的连接和全连接差不多也就是每个元都接受到相同的输入。其实这样的定义对于某个元只需要特定的几个输入也是可以实现的因为每个元会对每个输入一个权值如果设置某个输入的权值为 0 那么相当于放弃这个输入。这样就可以做到某个元只接受特定的几个输入而不是收到所有的输入。而为什么一些高级的模型不会让同一层的所有元收到的输入相同刚才不是说可以让元自己控制放弃哪些输入原因是虽然可以让元自己控制放弃一些输入但是这样做的效率比较低高级的模型需要提升效率本文这里无视所以可以使用每一层的所有元收到相同的输入本文这里使用的模型是每一层的元数量不可变在定义层时就知道这一层有多少元。这样的模型功能会比较差但是作为入门的博客这样的定义差不多可以使用了每一个元只有一个输入所以每一层的输出数量和每一层的元数量相同接下来定义 ActivationLayer 作为实际的神经网络层其实从代码可以看到连个类可以合并在一起只是老马的程序人生大佬作为两篇博客我这里也就跟着他写了一个网络可以包含多个层请看一下代码里面的注释实现一个网络上面代码的实现有些诡异原因是我的参数没有写好。在 ActivationNetwork 的最后一个参数是一个数组指定神经网络每层中的神经元数量。也就是输入 [1,2] 表示有两层其中第一层有 1 个神经元第二层有两个。输入 [1,1,5] 表示有三层而根据人工智能的教程第一层是输入层也就是 i 0 设置这一层的输入为用户输入数量。从第二层开始每一层的输入数量为上一层的输出数量定义完成了人工智能模型一个模型不会自动运行还需要定义一个训练方法。作为可以自己学习的人工智能学习方法可以分为监督学习和无监督学习在代码里面我用老马的程序人生的说法非监督学习。这两个方法的不同在于监督学习是我知道输入内容和结果我将输入放入模型对比模型输出的值和我知道的结果按照模型输出的值和我知道的结果的误差反馈给模型让模型修改参数如修改权值参数。而无监督学习是我也不知道结果这个比较难理解详细请看监督学习和无监督学习 或 小白都看得懂的监督学习与无监督学习 本文用到的是监督学习这里的输入分为多样本训练和单样本训练也就是我给一堆数据就是多样本训练。从方法参数可以看到输入的都是二维数组当然这里说二维数组是不对的应该是数组的数组。从单样本训练方法可以看到每个数据都是输入是一个 double 数组而输出也是一个 double 数组那么多个输入和多个输出就是数组的数组刚才也有说到人工智能和随机猜是一样的在人工智能的训练很重要的是反馈也就是我告诉人工智能说算错了他应该如何修改参数这部分看起来有点难假设这个人工智能我告诉他算错了他就随机修改他的参数这就是本文的 Slow 训练方法这个方法只是慢和其他训练方法差不多用随机修改参数方法要求模型很简单本文要求的模型只是一层也就是输入层和输出层是相同的一层。在 单个训练样本 方法将会使用模型计算出一个值通过 double[] networkOutput _network.Compute(input); 然后对比误差 double e output[j] - networkOutput[j]; 如果存在误差那么用 perceptron.Weights[i] RandRange.GetRan(); 更新每个元的每个参数的值现在大概写完了代码本文的代码放在 github 下载用 VisualStudio 打开 Bp.sln 文件然后按下 F5 就可以运行尝试用这个模型和训练方法做出一个模拟二进制 与 的计算也就是输入有两个输出是件这两个输入进行 与 运算这个人工智能网络使用输入层有两个只有一层网络一层网络里面只有一个神经元创建训练方法尝试运行代码可以看到我没有告诉人工智能如何做 与 运算但是人工智能模拟了方法尝试训练人工智能模型模拟二进制或计算我没有告诉人工智能或计算的方法但是人工智能可以训练如何计算这样的太简单了其实上面的模型可以做出多分类多分类就是将一些输入分为几类。如按照二维几何距离将数据分为几类然后让人工智能分类这个数据是如何利用 C# 实现神经网络的感知器模型用到的数据上面的数据的输入是两个数而输出是三个数。在输出用 0 和 1 表示属于哪个类型本文定义一层网络在这一层网络的输出需要三个数也就是需要三个元这就是一个简单的人工智能模型所有代码都没有用到现有人工智能框架都是使用 dotnet 基础的代码。用 C# 实现人工智能模型最成熟的是 ML.NET 但是这个库没有基础很难知道是做什么本文的代码放在github 欢迎小伙伴访问其实人工智能的一个核心是训练算法本文告诉大家的是 Slow 算法这个算法就是在人工智能模型输出的值和我知道的值不同时让模型随机更新参数。这个做法虽然能完成但是效率很低特别在元的数量多的时候。此时就需要用到比较高级的训练方法如如何利用 C# 实现神经网络的感知器模型特别感谢老马的程序人生提供的模型
