用python训练计算机进行自主学习

在本文中，将训练本地计算机进行加法自主学习（之后还有减法与混合学习）。本项目可改性较高，资源以上传至资源库。

实现效果
程序编写
- 初始化各参数（随机训练数）
- 定义训练数字与学习对象（进行学习）
- 输出学习成果（自主学习运算结果）
- 总程序
应用场景

实现效果

通过让机器学习随机的加法数据以及答案自主分析，自主学习与加法有关的知识，并进行输出随机的加法算式答案（有细微误差，但都保持在0.1以内。输出中最大误差为算式[0.3, 0.4] -> [0.7302519951913294]）
在这里插入图片描述
（程序流程图）

程序编写

本项目运用IDLE编写，需通过cmd事先安装 math、random、string库。

初始化各参数（随机训练数）

初始化、定义random函数，先随机生成一个加法算式（两个随机数字）。再初始、定义化各个学习模块和输出模块。

import math
import random
import string

random.seed(0)

def rand(a, b):
    return (b-a)*random.random() + a
    
def makeMatrix(I, J, fill=0.0):
    m = []
    for i in range(I):
        m.append([fill]*J)
    return m
    
def sigmoid(x):
    return math.tanh(x)

def dsigmoid(y):
    return 1.0 - y**2

为了更清楚空了几行~

定义训练数字与学习对象（进行学习）

对刚刚随机输出的加法算式及其答案进行学习，并尝试自主解加法运算，如答案错误，便重新学习，并输出错误结果并做标记；如答案正确，便继续运行至下个环节。

class NN:
    def __init__(self, ni, nh, no):
        self.ni = ni + 1 
        self.nh = nh
        self.no = no
        
	self.ai = [1.0]*self.ni
        self.ah = [1.0]*self.nh
        self.ao = [1.0]*self.no
        
        self.wi = makeMatrix(self.ni, self.nh)
        self.wo = makeMatrix(self.nh, self.no)
	for i in range(self.ni):
            for j in range(self.nh):
                self.wi[i][j] = rand(-0.2, 0.2)
        for j in range(self.nh):
            for k in range(self.no):
                self.wo[j][k] = rand(-2.0, 2.0)
                
	self.ci = makeMatrix(self.ni, self.nh)
        self.co = makeMatrix(self.nh, self.no）
    def update(self, inputs):
        if len(inputs) != self.ni-1:
            raise ValueError('wrong number of inputs')
            
        for i in range(self.ni-1):
            self.ai[i] = inputs[i]
            
        for j in range(self.nh):
            sum = 0.0
            for i in range(self.ni):
                sum = sum + self.ai[i] * self.wi[i][j]
            self.ah[j] = sigmoid(sum)
            
        for k in range(self.no):
            sum = 0.0
            for j in range(self.nh):
                sum = sum + self.ah[j] * self.wo[j][k]
            self.ao[k] = sigmoid(sum)
        
        return self.ao[:]
        
    def backPropagate(self, targets, N, M):
        if len(targets) != self.no:
            raise ValueError('wrong number of target values')
        output_deltas = [0.0] * self.no
        for k in range(self.no):
            error = targets[k]-self.ao[k]
            output_deltas[k] = dsigmoid(self.ao[k]) * error
        hidden_deltas = [0.0] * self.nh
        
        for j in range(self.nh):
            error = 0.0
            for k in range(self.no):
                error = error + output_deltas[k]*self.wo[j][k]
            hidden_deltas[j] = dsigmoid(self.ah[j]) * error
         
         for j in range(self.nh):
            for k in range(self.no):
                change = output_deltas[k]*self.ah[j]
                self.wo[j][k] = self.wo[j][k] + N*change + M*self.co[j][k]
                self.co[j][k] = change
        
        for i in range(self.ni):
            for j in range(self.nh):
                change = hidden_deltas[j]*self.ai[i]
                self.wi[i][j] = self.wi[i][j] + N*change + M*self.ci[i][j]
                self.ci[i][j] = change
                
        error = 0.0
        for k in range(len(targets)):
            error = error + 0.5*(targets[k]-self.ao[k])**2
        return error
        
    def test(self, patterns):
        for p in patterns:
            print(p[0], '->', self.update(p[0]))
    
    def weights(self):
        print('Input weights:')
        for i in range(self.ni):
            print(self.wi[i])
        print()
        print('Output weights:')
        for j in range(self.nh):
            print(self.wo[j])
    
    def train(self, patterns, iterations=2000, N=0.5, M=0.1):
        for i in range(iterations):
            error = 0.0
            for p in patterns:
                inputs = p[0]
                targets = p[1]
                self.update(inputs)
                error = error + self.backPropagate(targets, N, M)
            if i % 100 == 0:
                print('error %-.5f' % error)

输出学习成果（自主学习运算结果）

机器做出近似正确答案后输出，并显示学习结果。

def demo():
    pat = [
        [[0.5, 0.5], [1.0]],
        [[0.2, 0.3], [0.5]],
        [[1,0], [1]],
        [[0.1, 0.1], [0.2]],
        [[0.4, 0.5], [0.9]],
        [[0.6, 0.1], [0.7]]
    ]
    
    n = NN(2, 4, 1)
    n.train(pat)
    n.test(pat)
    n.test( [[[0.3, 0.4]]] )
    n.test( [[[0.2, 0.7]]] )
    
if __name__ == '__main__':
    demo()