現在基本的概念已經介紹得差不多了，是時候實戰演示一下如何利用神經網絡來處理分類問題的。按照一直的做法，自己出題自己解決。這次拿一個現實生活中的一個小問題來練練手：根據人的身高，體重，把人劃分成輕，正常，偏胖，肥胖這四種情況。按照現在流行的觀點認為，人正常的BMI指數范圍在20-25之間，低于20就是過輕，高于25低于28是偏胖，高于28就是肥胖了。

按照前面介紹的方法，解決問題的第一步是建模和打標簽。根據問題的描述，可以把訓練樣本定義成一個2維向量，其中第1維表示身高（以米為計算單位），第2維是體重（以千克為單位）。訓練樣本有了之后就是打標。有點編程經驗的人一眼就可以看出來這里可以用機器打標。標簽數據是一個4維布爾值向量，第1維表示過輕，第2維表示正常，第3維表示偏胖，第4維表示肥胖。

第二步是建立模型，對于分類問題而言，最好的是先根據問題的規模來確定結點的數量，從上面的問題描述中大概可以猜出至少需要3個結點，才能劃分出四個分類。因此不妨就將隱層結點數定義成3或4。這里建議大家訓練模型的時候，根據先簡單后復雜的原則來調整網絡。因為一開始就訓練很復雜的網絡，不僅不一定得到很好的結果，而且訓練的時間太長，也不利于檢驗模型的質量。

第三步就是訓練模型，不停改進模型，直至得到較滿意的精度。

下面給出訓練代碼：

import tensorflow as tf

import numpy as np

?

#設置訓練集大小

train_set_size=1000

#隨機生成身高數據，以男性1.7m為平均身高，上下浮動0.2m

height=tf.Variable(tf.random.truncated_normal([train_set_size,1],mean=1.7,dtype=tf.double,stddev=0.1))

#隨機生成體重數據，以體重60kg為平均值，上下浮動20kg

weight=tf.Variable(tf.random.truncated_normal([train_set_size,1],mean=60,dtype=tf.double,stddev=20))

#歸并數據

x=tf.concat([height,weight],1)

?

# 計算BMI指數

def getBMI(x):

return x[1] / (x[0] ** 2)

?

# 根據BMI指數自動生成標簽

def getLable(x):

label = np.zeros(shape=[train_set_size,4],dtype=float)

for i in range(len(x)):

bmi = getBMI(x[i])

if bmi < 20:

label[i][0] = 1

elif bmi >=?20 and bmi < 25:

label[i][1] = 1

elif bmi >=?25 and bmi < 28:

label[i][2] = 1

else:

label[i][3] = 1

?

return label

?

# 將標簽數據轉換成tensorflow框架能處理的張量

y_=tf.convert_to_tensor(getLable(x))

?

# ?設計兩層神經網絡，第一層隱含層共4個結點，激活函數為RELU;第二層為輸出層也包含4個結點，對應4個分類，激活函數為softmax

model = tf.keras.models.Sequential([

??tf.keras.layers.Dense(4, activation='relu',input_shape=[2]),

??tf.keras.layers.Dense(4,activation='softmax')

])

?

# ?定義優化器，用于優化學習率等超參數指標

optimizer = tf.keras.optimizers.Adadelta(lr=1.0, rho=0.95, epsilon=1e-06)

?

# ?編譯模型，loss='categorical_crossentropy'指定損失函數為交叉熵，Metrics標注網絡評價指標accuracy為準確率

model.compile(loss='categorical_crossentropy',

????????????????optimizer=optimizer,

????????????????metrics=['accuracy'])

?

# ?打印網絡參數模型，僅用于自檢

model.summary()

?

# ?重復訓練3000次

for i in range(3000):

# ?輸入樣本x和標簽y, batch_size=1，每輸入1條數據，就運行反向傳播算法，更新網絡參數。

model.fit(x=x,y=y_,batch_size=1)

?

# ?準備測試集

test_size=3

h_t=tf.Variable(tf.random.truncated_normal([test_size,1],mean=1.7,dtype=tf.double,stddev=0.1))

w_t=tf.Variable(tf.random.truncated_normal([test_size,1],mean=60,dtype=tf.double,stddev=20))

x_t=tf.concat([h_t,w_t],1)

?

# ?打印測試集內容和模型預測的結果

print(x_t)

print(model.predict(x_t))

?

下面是訓練結果：

1000/1000 [==============================] - 0s 455us/step - loss: 0.1065 - accuracy: 0.9580

1000/1000 [==============================] - 0s 449us/step - loss: 0.0986 - accuracy: 0.9550

1000/1000 [==============================] - 0s 447us/step - loss: 0.1108 - accuracy: 0.9560

1000/1000 [==============================] - 0s 449us/step - loss: 0.1104 - accuracy: 0.9570

1000/1000 [==============================] - 0s 452us/step - loss: 0.0977 - accuracy: 0.9570

tf.Tensor(

[[ 1.87404843 51.79656559]

?[ 1.69247713 54.36136267]

?[ 1.80369327 53.8165295 ]], shape=(3, 2), dtype=float64)

[[1.0000000e+00 7.5280788e-35 0.0000000e+00 0.0000000e+00]

?[9.9999952e-01 5.1134185e-07 7.3078410e-31 0.0000000e+00]

?[1.0000000e+00 3.5876334e-22 0.0000000e+00 0.0000000e+00]]

?

連續訓練3000次以上，準確率穩定在95%以上，證明算法是有效可靠的。而且從預測方面的能力看，效果還是挺不錯的。從結果來看，一切都挺有趣的。但這個模型沒有什么實際意義。正如前文所言，如果可以用普通的邏輯判斷語句就可以實現分類，那根本就沒有神經網絡什么事。神經網絡的分類能力主要還是用于數據挖掘上面，在海量數據中挖掘出人們還沒或者不可能發現潛在的聯系。

小結（內含干貨，請認真閱讀）

對于一些普通的業務需求而言，用神經網絡來分類真的是脫褲子放屁---多此一舉嗎？在我看來，并不一定！！！

首先，從宏觀的角度來看，用神經網絡進行分類，起碼是一種思維定式上的轉變。過去我們認為，只有給電腦制定特定的運行邏輯（這個過程就是所謂的編程），電腦才能按照我們的想法工作。有了神經網絡后，這個定式就打破了。實際上我們并不需要給電腦這么多條條框框，制定那么多那么細的規則。只要我們告訴電腦什么是對的，什么是錯的？電腦自己就會去學習？這時候電腦是不是越來越有點人類的味道？沒錯，很多時候，我們作為成人，作為家長，對于小孩的教育，往往都是先從告訴他什么是對的，什么是錯的開始。如果我們把一大段復雜冗長的邏輯，壓縮成足夠多的事例，是不是就等于把邏輯內嵌到神經網絡的模型參數里面呢？上面的例子，就是一個很好的示范案例。它把求BMI，然后根據BMI指數來劃分人的體重情況這一大段邏輯，壓縮成了 （2 * 4 + 4）+ （4 * 4 + 4）=32 個參數，按每個參數以64位浮點型來存儲，一共才浪費了32 * （64 / 8）= 256個字節。比原來的代碼（凈代碼不含注釋約占354個字節）節省了98個字節。

壓縮代碼容量好像沒有什么了不起的。而且還以犧牲準確率為代價（準確率下降了4%）。神經網絡看起來好像還是個廢物點心呀！但請記住，“神經網絡在某些分類問題上沒用”這句話，是針對有編程基礎的人而言。而且就算是有足夠編程基礎的大神，也不能保證所寫的代碼完全沒有bug。一旦代碼有bug，準確率就是一個未知之數了。所以再牛X的大牛，也還要寫單元測試，要借助測試用例來檢驗自己的代碼有沒有bug。但問題是，有時候，大牛自己寫的單元測試和生成的測試用例也是可能有bug的。。。。。從上面的分析可以看出，bug這種東西從人們學會編程的那一刻就已經是根深蒂固的存在了。那用神經網絡訓練的邏輯就沒Bug了嗎？有，肯定有。但就算有，也有解決辦法讓bug的出現概率限制在特定的誤差范圍內。

其次，神經網絡將人工智能輔助編程變成一種可能。前面已經介紹過，一個多分支邏輯判斷語句可以等價為一個n分類神經網絡。其中一個條件分支就對應著一個分類。因此，可以將用一般的高級程序語言寫的邏輯判斷語句，直接轉化成一個（或一組）神經網絡。眾所周知，神經網絡有較好的魯棒性(Robust)，它僅與問題規模有關，而與問題所涉及具體的業務場景無關。因此用神經網絡構建人工智能編程環境，能適應所有現階段已知的業務類型。之前的示例很好的說明了這一點，不管我們是建立體重的BMI測量模型，還是建立工資收入與消費支出的統計學模型，神經網絡都能輕松駕馭。

第三，人工智能輔助編程將極大地提升軟件有效生產率。估計看到這里，不少碼農朋友可能又要聽到“狼來了”的聲音。如果計算機自己都會編程了，那碼農們是不是要集體失業了。不！正好相反，神經網絡只是”輔助”人類編程，而不是去搶奪我們的主動權。首先，計算機沒有自主意識，它不知道在什么時候干什么才是有意義的。其次，計算機能控制的范圍都盡在人類的掌控之中。現今的所有計算機理論都是建立在嚴密的數學理論上面，也就是說，所有未來可能出現的情況，都可以在那一堆復雜的數學公式中找到答案。

人工智能輔助編程其實是廣大碼農的福音！自此之后，大家不用再花時間去996，寫那枯燥乏味的業務代碼。人們只需要按照業務需求場景，搭建好網絡模型，然后把業務數據準備好，輸入到神經網絡中，最后就可以靜待神經網絡返回正確的結果。相信不久的將來，碼農們已經可以擺脫代碼的束縛，不再僅將關注點放在如何實現這件事上面，而更多的會從如何做好這件事去思考（這已經是產品思維了）

最后，人工智能輔助編程將進一步降低人們學習計算機編程的門檻。以后所有現在所謂的高級程序語言（如Java,C++,Ruby）可能都將成為歷史。未來的編程語言隨著NLP （自然語言理解）和人工智能輔助編程的持續發展，將會逐步演化為一門更貼近人類母語語法，更簡練直觀的語言。將來編程將不再是一門只有少數人掌握的技能，而是一項像喝水吃飯一樣簡單的本能。

總結

以上是生活随笔為你收集整理的神经网络基础原理（三）-----分类问题实弹演练及一些小干货的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。