人脑的启发——人工神经网络案例（献给初学者）

作者｜Nature

出品｜AI机器思维

人脑是一种强大的智慧大脑，人类通过教育改变了人类大脑的思维，提升了人类自己适应社会的能力,通过教育自我学习成长。

可以说人脑具有一种强大的信息处理能力的装置，其在听觉、视觉、语言知识、情感、艺术和学习方面是机器无法替代的。

人类通过自身得到启发，虽然不能完全创造出一个人类一样的强大大脑，但人类可以在某个方面让机器超过人类自己，从而帮助人类更好的生活，辅助人类处理一些危险、重复或复杂的事情等等。我们可以让机器“学习”使它拥有某种能力去为人类服务。

人脑与计算机最大的不同是计算机的处理器是有限的，而人脑处理器是无限的，包含着大量的神经元去传输信息。基于人脑神经元的启发，科学家建立了一种新的运算模型人工神经网络（Artificial Neural Network，即ANN ）。

人工神经网络是20世纪80 年代以来人工智能领域兴起的研究热点，其从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。

人工神经网络在工程与学术界简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点（或称神经元）之间相互联接构成，每个节点代表一种特定的输出函数，称为激励函数（activation function）。

神经网络是有大量的节点也称为神经元，相互连接构成。信息经过输入层进入神经网络，在节点中不断进行信息传输与运算，每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆，最后到达输出层，得到最终处理后的输出信息。

人工神经网络经过数据训练后，它具有类似人脑的某方面能力，具有“图像识别”，“风险判断”等应用。随着数据量的增多，人类创造一个有人类智能的机器也成为趋势。

最近十多年来，人工神经网络的研究工作不断深入，已经取得了很大的进展，其在人脸识别、指纹支付、模式识别、智能机器人、自动控制、预测估计、生物、医学、经济等领域已成功地解决了许多现代计算机难以解决的实际问题，表现出了良好的智能特性，促进了人工智能的大发展。

本节以BP（Back Propagation)神经网络为案例讲解，BP神经网络是一种处理分类和回归问题很有效的神经网络。具体里面的神经网络模型算法大家可以查资料，理论资料互联网上很丰富。

本案例就是帮助大家入门，让大家有一个体会认识神经网络的价值，提升学习兴趣，跟着案例去学习能更好的提升学习动力。

plt.scatter()函数用于生成一个scatter散点图

案例以python自带数据make_moons为例，数据集说明，“+”表示女性病人，“*”表示男性病人，x和y轴表示两个指标。

将数据集分为训练集与测试集后，使用训练集训练神经网络，然后将训练好的神经网络用于测试集，得到预测错误率。

程序运行后：

可以看到数据集中男女病人的大致分布情况。

上面程序参数说明：

plt.scatter()函数用于生成一个scatter散点图，

traningdataSet[traingLabels==1][:,0],traningdataSet[traingLabels==1][:,1]:表示的是shape大小为(n,)的数组，也就是我们即将绘制散点图的数据点，输入数据。

s：表示的是大小，是一个标量或者是一个shape大小为(n,)的数组，可选，默认20。

c：表示的是色彩或颜色序列，可选，默认蓝色’b’。但是c不应该是一个单一的RGB数字，也不应该是一个RGBA的序列，因为不便区分。c可以是一个RGB或RGBA二维行数组。

marker：MarkerStyle，表示的是标记的样式，可选，默认’o’。

cmap：Colormap，标量或者是一个colormap的名字，cmap仅仅当c是一个浮点数数组的时候才使用。如果没有申明就是image.cmap，可选，默认None。

程序如下：

程序执行后的结果输出：

可以看出训练集的错误率为0.1525，测试集错误率为0.17。

大家可以根据上面的程序改造试验，数据集拆分比例不同会对训练和测试结果有影响，合理设置很关键。