JAVA实现感知器算法

简述

随着互联网的高速发展，A（AI）B（BigData）C（Cloud）已经成为当下的核心发展方向，假如三者深度结合的话，AI是其中最核心的部分。所以如果说在未来社会，每个人都必须要学会编程的话，那么对于程序员来说，人工智能则是他们所必须掌握的技术（科技发展真tm快）。

这篇文章介绍并用JAVA实现了一种最简单的感知器网络，不纠结于公式的推导，旨在给大家提供一下学习神经网络的思路，对神经网络有一个大概的认识。

感知器网络模型分析

首先看一张图

如果稍微对神经网络感兴趣的一定对这张图不陌生，这张图是神经元的结构图
X1~Xm表示输入，W1~Wm表示突触权值，Σ表示求和结点，Activation function表示激活函数，之后输出一个结果，具体的流程是

神经元接收到输入，每个输入都会与其相对路径上的权值相乘，到了求和结点进行求和，这里把求和结点的结果设为z ：

z = X1 * W1 + X2 * W2 + X3 * W3 + ...... + Xm * Wm

之后将 z 传入到激活函数(这里我们称激活函数为 f)进行二分类模式识别 ：

if f(x) > e,y = 1
else y = -1

e 为阈值
y 为分类结果

这里可以看出，如果 f(x) 的值大于阈值，得到分类 y = 1，反之 y = -1
注：相对于生物神经元受到刺激表示的反应，如果刺激在可接受范围之内，则神经元会抑制刺激（y = -1），如果超过范围则会兴奋（y = 1），而这个范围的分水岭就是阈值（e）

学习

我们发现，如果权值和阈值都固定的话，那么这个神经网络就没有存在的意义了，所以我们引入学习的概念，通过学习，让神经网络去修改权值和阈值，从而可以动态的修正模式识别的正确率，这才是机器学习的本质。

那么如何学习呢？当我们在使用之前我们需要提供给此网络一组样本数据（这里采取的是有教师模式学习），样本数据包括输入数据x和正确的识别结果y'。
当我们输入训练数据x得到模式识别y之后进行判断，如果 y != y' ，则会去调整此网络的权值和阈值，调整请看公式，μ 表示学习率（修正率），update 表示需要修正值：

update = μ * (yi - y')
update = (f(x) - y')

m
Σ  Wi += update * Xi
i=1

e += update

当感知器分类结果等于正确分类，update = 0，不调整网络；如果不等于正确分类，则会调整全部的权值（w）与阈值（e）

以上就是我所介绍的感知器最简单的学习流程：

输入数据->求和得到z->通过激活函数等到分类结果->分类结果与正确结果不符则调整网络

下面就让我们来实现这个简单的神经网络吧

Java代码实现

这里我所实现的是通过神经网络学习识别整数的正负
首先定义一个感知器的类

/**
 * Created by CimZzz on 12/2/17.
 *
 */
public class Perceptron {
  /**
   * 学习率
   */
  private final float learnRate;

  /**
   * 学习次数
   */
  private final int studyCount;

  /**
   * 阈值
   */
  private float e;

  /**
   * 权值
   * 因为判断整数正负只需要一条输入，所以这里只有一个权值，多条输入可以设置为数组
   */
  private float w;

  /**
   * 每次学习的正确率
   */
  private float[] correctRate;

  //

  /**
   * 构造函数初始化学习率，学习次数，权值、阈值初始化为0
   * @param learnRate 学习率（取值范围 0 < learnRate < 1）
   * @param studyCount 学习次数
   */
  public Perceptron(float learnRate, int studyCount) {
    this.learnRate = learnRate;
    this.studyCount = studyCount;

    this.e = 0;
    this.w = 0;

    this.correctRate = new float[studyCount];
  }

  /**
   * 学习函数，samples 是一个包含输入数据和分类结果的二维数组，
   * samples[][0] 表示输入数据
   * samples[][1] 表示正确的分类结果
   * @param samples 训练数据
   */
  public void fit(int[][] samples) {
    int sampleLength = samples.length;

    for(int i = 0 ; i < studyCount ; i ++) {
      int errorCount = 0;

      for (int[] sample : samples) {
        float update = learnRate * (sample[1]-predict(sample[0]));

        //更新权值、阈值
        w += update * sample[0];
        e += update;

        //计算错误次数
        if (update != 0)
          errorCount++;
      }

      //计算此次学习的正确率
      correctRate[i] = 1 - errorCount * 1.0f / sampleLength;
    }
  }

  /**
   * 求和函数，模拟求和结点操作 输入数据 * 权值
   * @param num 输入数据
   * @return 求和结果 z
   */
  private float sum(int num) {
    return num * w + e;
  }

  /**
   * 激活函数，通过求和结果 z 和阈值 e 进行判断
   * @param num 输入数据
   * @return 分类结果
   */
  public int predict(int num) {
    return sum(num) >= 0 ? 1 : -1;
  }

  /**
   * 打印正确率
   */
  public void printCorrectRate() {
    for (int i = 0 ; i < studyCount ; i ++)
      System.out.printf("第%d次学习的正确率 -> %.2f%%\n",i + 1,correctRate[i] * 100);
  }
}

然后写生成训练数据的函数

  /**
   * 生成训练数据
   * @return 训练数据
   */
  private static int[][] genStudyData() {
    //这里我们取 -100 ~ 100 之间的整数，大于0的设为模式 y = 1，反之为 y = -1
    int[][] data = new int[201][2];

    for(int i = -100 , j = 0; i <= 100 ; i ++ , j ++) {
      data[j][0] = i;
      data[j][1] = i >= 0 ? 1 : -1;
    }

    return data;
  }

  /**
   * 生成训练数据
   * @return 训练数据
   */
  private static int[][] genStudyData2() {
    //这里我们取 1~250 之间的整数，大于125的设为模式 y = 1，反之为 y = -1
    int[][] data = new int[250][2];

    for(int i = 1 , j = 0; i <= 250 ; i ++ , j ++) {
      data[j][0] = i;
      data[j][1] = i >= 125 ? 1 : -1;
    }

    return data;
  }

最后是主函数

public static void main(String[] args) {
    //这里的学习率和训练次数可以根据情况人为调整
    Perceptron perceptron = new Perceptron(0.4f,500);

    perceptron.fit(genStudyData());
    perceptron.printCorrectRate();

    System.out.println(perceptron.predict(-1));
    System.out.println(perceptron.predict(126));
  }

大家可以测试一下

局限性

这个感知器神经网络比较简单，是适用于可线性划分的数据，比如一维的话正数和负数，二维的坐标象限分类；对于不可线性划分的数据无法进行正确的分类，如寻找质数等

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持我们。