C++builder中的人工智能（6）基于类的人工神经元模型

嘿，AI小能手！是不是想从零开始打造一个属于自己的人工智能应用？或者，你想探索如何在C++中用类（Classes）来构建一个简单的人工神经元模型？这篇文章将带你通过一个超级简单的人工神经元示例，一起走进类的世界。如果你对AI技术还是个新手，我们强烈建议你先去逛逛我们的AI技术入门。

简单的AI模型回顾

先来回顾一下，我们之前提到过的简单AI神经元模型。一个最小人工神经元包含一个激活值（记为a）、一个激活函数（记为phi()）以及一些加权的（w）输入网络连接。简单来说，它有一个激活值，一个激活函数，以及根据输入网络的数量，一个或多个权重。

这就是AI技术中的一个非常简单的人工神经网络。现在，让我们跟随这个示例，提升我们的神经元模型，用类来创建一个人工神经元模型。

基于类的人工神经元模型

这是另一个使用类的简单神经元示例。这比使用结构体或数组来创建C++中的神经元更现代化。这个示例也非常适合现代C++应用。我们在LearnCPlusPlus.org网站上详细解释了类。如果你是类和对象的新手，首先请阅读C++中的类和对象，你会发现很多与类相关的话题，教你不同的使用方式和方法。

面向对象编程（OOP）是一种将数据（对象的属性或属性）和代码块（对象的方法或函数）集成在一起的方式。在C++中，我们使用关键字class后跟类名来定义类。类是对象的蓝图，它们是我们可以在程序中使用的用户定义数据类型，并且它们作为对象构造器。对象是类的实例化，在C++编程中，大多数命令都与类和对象及其属性和方法相关。

如果你有一个复杂的网络，这种基于类的人工神经元模型更安全、更实用。结构体和数组在静态神经网络中易于分配内存和使用，但如果你熟悉它们所有特性，类是最好的选择。

让我们创建一个简单的Tneuron类（T表示它的类型）：

class Tneuron { // 神经元类
public:
    float a; // 每个神经元的活动
    float w[NN+1]; // 神经元之间连接的权重
};

在这个Tneuron类中，我们可以创建一个构造函数，名字和类名相同：

Tneuron() {
    a = 0;
    for (int i = 0; i <= NN; i++) w[i] = -1; // 如果权重是负数，则表示没有连接
}

在这个Tneuron类中，我们还可以定义一个线性激活函数：

float activation_function(float sum) {
    return sum; // 线性转移函数 f(sum) = sum
}

将所有内容汇总，我们的简单神经元类形式如下：

class Tneuron { // 神经元类
public:
    float a; // 每个神经元的活动
    float w[NN+1]; // 神经元之间连接的权重
    Tneuron() {
        a = 0;
        for (int i = 0; i <= NN; i++) w[i] = -1; // 如果权重是负数，则表示没有连接
    }
    // 定义输出神经元的转移函数（或阈值）
    float activation_function(float sum) {
        return sum; // 线性转移函数 f(sum) = sum
    }
};

现在我们有一个神经元类，每个神经元都有活动值和权重，如果它有自己的Tneuron()构造函数和activation_function()。我们可以使用这个类创建多个ne[]神经元对象：

Tneuron ne[NN+1]; // 神经元对象

激活函数可以写成这样，

我们需要一个函数来激发第n个神经元：

void fire(int nn) {
    float sum = 0;
    for (int j = 0; j <= NN; j++) {
        if (ne[j].w[nn] >= 0) sum += ne[j].a * ne[j].w[nn];
    }
    ne[nn].a = ne[nn].activation_function(sum);
}

下面是完整的示例代码：

#include <stdio.h>
#define NN 2  // 神经元的数量
class Tneuron { // 神经元类
public:
    float a; // 每个神经元的活动
    float w[NN+1]; // 神经元之间连接的权重
    Tneuron() {
        a = 0;
        for (int i = 0; i <= NN; i++) w[i] = -1; // 如果权重是负数，则表示没有连接
    }
    // 定义输出神经元的转移函数（或阈值）
    float activation_function(float sum) {
        return sum; // 线性转移函数 f(sum) = sum
    }
};
Tneuron ne[NN+1]; // 神经元对象
void fire(int nn) {
    float sum = 0;
    for (int j = 0; j <= NN; j++) {
        if (ne[j].w[nn] >= 0) sum += ne[j].a * ne[j].w[nn];
    }
    ne[nn].a = ne[nn].activation_function(sum);
}
int main() {
    // 定义两个输入神经元（a0, a1）和一个输出神经元（a2）的活动
    ne[0].a = 0.0;
    ne[1].a = 1.0;
    ne[2].a = 0;
    // 定义来自两个输入神经元到输出神经元（0到2和1到2）的信号权重
    ne[0].w[2] = 0.3;
    ne[1].w[2] = 0.2;
    // 激发我们的人工神经元活动，输出将是
    fire(2);
    printf("%10.6f\n", ne[2].a);
    getchar();
    return 0;
}

这是一个非常简单的人工神经元类示例。类有很多特性，你可以专业地使用它们。我们可以创建更功能强大和复杂的神经元模型。