单神经元人工智能网络编程及源码

相关介绍

目前在在跟着大佬学习人工智能，学了两个章节后，感觉自己学的不是很通透，所以想试试写下来会不会好一点，也是给自己做一个总结。
人工智能算法，是仿照人大脑中神经元的构成和运行的机制所提出的算法。
上图就是一个神经元的示意图，从多个触角上进行输入，每个触角的权重不相同，权重与触角的输入相乘后决定一个人的行为。就比如说一个人面对水，他把手伸进去，决定他要不要拿出来的因素有几个，比如说水的温度，外界的温度，个人的体温等等，每个都有不同的权重。第一次不知道水温的时候，就是试探，之后再决定伸进去与否，这个过程就是权重的调节。而人工智能就是仿照这么一个过程，在不断调节权重的过程中，最终实现想要的结果的一个过程。
这几天学习了一个单神经元的人工智能算法，对于是或者不是的选择上有着比较好的应用。下面，我就分享一个单神经元情况下的人工智能算法的思路和代码。上文我们说到，人工智能算法是一个不断计算和调节的过程，想必大家高中的时候就学过求导的运算，但是那个时候的其实算是一种理想情况的求导，而现在我们需要利用实际的计算值实现实际值和理想值之间的误差，在通过学习率调节权重变化的速率，最终达到相对理想的一个权重效果。
既然涉及到求导的问题，这里需要大家去复习一下链式法则（这个以后的博文会出现，本文只是人工智能的一个记录帖），通过链式法则进行反向求导。下面我先展示一下，单个神经元的人工智能算法的思维导图：

之后是涉及到的一些函数及相关函数用法的简单表达（更复杂的以后会相继给大家更新）：

所需函数

以上便是各种函数以及各种函数的用法，下面进入实战环节：
首先我们要加载几个用到的库：

import numpy as np #科学计算的库
import matplotlib.pyplot as plt  #画图的库
import h5py  #h5数据类型读取的库

数据的读取和存储

我们要实现数据的读取，先编写一个能够读取数据集的函数：

def load_data():
    train_dataset = h5py.File('datasets/train_catvnoncat.h5',"r")  #加载训练数据集
    train_set_x_orig = np.array(train_dataset["train_set_x"][ : ])  #加载数据集中的图片特征数据
    train_set_y_orig = np.array(train_dataset["train_set_y"][ : ])  #加载标签数据(已经预处理过，确定了那些是那些不是)

    test_dataset = h5py.File('datasets/test_catvnoncat.h5',"r")  #加载测试数据集
    test_set_x_orig = np.array(test_dataset["test_set_x"][:])
    test_set_y_orig = np.array(test_dataset["test_set_y"][:])

    classes = np.array(test_dataset["list_classes"][ : ])  #加载标签类别数据
    
    train_set_y_orig = train_set_y_orig.reshape((1, train_set_y_orig.shape[0]))  # 把数组的维度从(209,)变成(1, 209)
    test_set_y_orig = test_set_y_orig.reshape((1, test_set_y_orig.shape[0]))  # 从(50,)变成(1, 50)

    return train_set_x_orig, train_set_y_orig, test_set_x_orig, test_set_y_orig, classes

激活函数

激活函数在思维导图中也写了，是为了提高学习的效率和最后的结果，也就是提升整个人工智能的智商。前面所进行的计算全都是线性的，而激活函数最大的最用就是打破线性的约束条件，强化网络学习的能力，所以激活函数最大的特点就是非线性，而且不同的激活函数也有不同的特点。常用的激活函数大家可以转到下面这个帖子去看看：链接: https://zhuanlan.zhihu.com/p/73214810.
本次单个神经元的网络使用的是Sigmoid函数，函数的值域是(0,1)：

def sigmoid(z):
        s = 1 / (1 + np.exp(-z)) #z可以是一个数值，也可以是一个数组，结果与之相对应
    return s

参数初始化

在单个神经元的人工智能函数中，可以对权重数组w和偏量数组b(个人觉得有点像线性回归函数里后面在y轴上的轴距)全部初始化为0(神经网络中是不可以对权重设置为0的)：

def initialize_with_zeros(dim):
    w = np.zeros((dim, 1))
    b = 0
    return w, b

损失函数

损失函数，就是利用正向传导（学习已知结果的图片）和反向传导（计算误差，也就是求导的过程）实现对参数变化过程的计算，方便在学习函数中进行参数的学习和调节。损失函数的种类也有很多种，需要根据自己的实际需要进行选择，有需要的可以看看下面这个帖子：链接: https://zhuanlan.zhihu.com/p/58883095.下面使用的是交叉熵损失函数：

def propagate(w, b, X, Y):
    m = X.shape[1]
    # 前向传播
    A = sigmoid(np.dot(w.T, X) + b)
    cost = -np.sum(Y * np.log(A) + (1 - Y) * np.log(1 - A)) / m
    # 反向传播
    dZ = A - Y
    dw = np.dot(X, dZ.T) / m
    db = np.sum(dZ) / m
    # 将dw和db保存到字典里面,这里就是确定权重和偏置量变化量的过程
    grads = {
   "dw": dw,
             "db": db}
    return grads, cost

学习函数

学习，顾名思义：就像人类学习的过程一样，通过不断微调自己的行为达到一个自己理想值的情况，每个人的学习过程也受到个人天赋的影响，学习率高，就少学几次࿱