TensorFlow构建AI程序极简入门

首先我们来做个猜数字的游戏。如图，已知上面4行数字【A,B,C,D】列，求第5行D列的值。

可以说，这是一个奥数题，A,B,C,D列之间应该是有隐藏规则的，数学敏锐的同学可能可以发现其规则为：

D =A *2 + B *3 +C * 4

因此，代入A=5， B=8, C=6 计算得出第5行的D列应该是60

在这个游戏里面，数学天赋是一个人的直觉，而我们本次实现的AI程序也具备这个“直觉功能 ”， 对于有任意隐藏规则的数据进行学习， 揣摩出隐藏规则之后，用于新输入数据的计算，并给出相同规则目标值的近似值。

import numpy as np

import tensorflow as tf

#训练输入表格中ABC列数据

X=np.mat([

[1.,4.,2.]

,[2.,2.,5.]

,[3.,5.,6.]

,[4.,8.,9.]

]).astype(np.float32)

#训练输出表格D列数据

Y=np.mat([

[22.]

,[30.]

,[45.]

,[68.]

]).astype(np.float32)

#预测输入数据

x_input=np.mat([

[5.,8.,6.]

]).astype(np.float32)

#预测输出数据 隐藏的规则： 第一个数 *2 + 第二个数 *3 + 第三个数 *4

# y_output=60

#模型的输入

xs = tf.placeholder(tf.float32,[None,3])

ys = tf.placeholder(tf.float32,[None,1])

#b初始化为0

b = tf.Variable(0,dtype=tf.float32)

#w指定为随机数，参数分别为 （[神经网络输入size，神经网络 输出size]，随机值最小阀值， 随机值最大阀值）

w = tf.Variable(tf.random_uniform([3,1],0,1),dtype=tf.float32)

#计算x*w +b

z = tf.add(tf.matmul(xs,w),b)

#用relu函数进行激活

#计算loss值，采用差的平方，再求平均数

cost = tf.reduce_mean(tf.square(y-ys))

#定义反向传播的方法

train = tf.train.GradientDescentOptimizer(0.01).minimize(cost)

#启动TF

init = tf.global_variables_initializer()

session = tf.Session()

session.run(init)

#执行50000次反向传播，训练w,b

for i in range(50000):

session.run(train,feed_dict=)

#训练完毕后输入新值进行计算，得到预测结果

#打印预测结果58， 和60非常接近，预测成功

print session.run(predict)

大家可以尝试改变训练的数据，自己定义一些新的隐藏规则，如果不是太复杂的话，该程序应该基本都能识别（复杂的规则需要优化代码）。隐藏规则的载体是参数w和b， 这2个参数初始化为随机数和0，之后每次在for循环中运行都会进行有方向地改动，让所有行满足x(A,B,C) * w +b的结果和D的差异（平方差）最小。因此一旦w,b的最优解确定了， 对于新给出来第5行的A,B,C， 求出D=x(A,B,C) * w +b，D为同规则下的近似值。

AI从代码功能层次上看，就是要对数字隐藏规则的暴力识别，不管是图像识别，语音识别，写诗，翻译，问答等，归根到底，在AI程序中都会先把数据转换成一组存在隐藏规则的数字，之后成千上万次计算，暴力识别规则， 模拟规则的近似方案，然后用已识别的规则去匹配新的图片或者声音数据 ，从而得到判断的结果。