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]）

（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() 

下面是输出结果：

总程序

文件已上传，由于比较长这里就不汇总了。记得关注凉了本凉后到资源库中下载哦！（也可复制上面的再自行汇总）

应用场景

本项目与之前的一样，有很强的可改性，可大幅度自定义，让机器学习其他行为。本程序只是机器学习的一种方案。（以后还会有其他方案教程）

后可能会有关于自己训练程序的文章~ 六年级凉了本人，请支持~