人工智能基础之机器学习入门实战

人工智能这个词，现在已经家喻户晓。人工智能在人们日常生活中的应用无处不在，极大地方便了人们的生活。人工智能是一个很大的领域，我们最常见的像智能聊天机器人、自动驾驶、智能推荐，而这些功能的实现，又离不开语音信息处理、自然语言处理、计算机视觉、模式识别、决策规划、数据处理、机器学习等基础技术的应用。

本文会从人工智能最为基础的一个维度——“机器学习”进行讲述。如果在网上搜索“机器学习”会出现很多相关于此内容的文章。但个人总觉得内容太多太复杂，对于初学者看起来，反而不知所措。机器学习入门，如果一开始就以图像识别为例，进行手写的数字识别，起点太高了。很多时候，培养学习和解决问题的思路更为重要。

所以，今天这篇文章主要是面向机器学习的初学者，从机器学习的基础知识出发，先讲解TensorFlow中的数据流图，之后会以一个简单的案例：机器通过数据学习来预测数字，进行机器学习实战。通过理论结合实战，相信大家看完后，一定会有收获。

2、机器学习概述

机器学习，简单来讲，就是给定机器一个输入，获得机器的一个输出。类似于构建一个映射函数。例如：f(一张猫的图片)=猫。如何通过一张图片的输入，机器就可以识别出来是什么内容，就需要学习模型的建立。

常见的机器学习模型有三类：监督学习、无监督学习和强化学习。简单理解：

（1）监督学习：我们在给机器的学习样本中，同时也包含了答案，目的是为了让机器通过学习标准输入和标准答案之间的联系，从而对于我们给机器的其他输入，使机器为我们提供更为标准的答案。

（2）无监督学习：我们在机器的一组数据，不告诉机器有关数据的任何正确答案。让机器自己去找规律。例如：可以使机器自己利用输入的数据，将数据聚类。

（3）强化学习：我们不仅要给机器提供正确的数据，还要告诉机器哪些数据是错的。类似于“在犯错中成长”。

3、机器学习入门

3.1 学习工具

生产活动离不开生产工具的使用。机器学习也一样。对于机器学习而言，我们需要做的就是选择适合自己的机器学习框架。目前机器学习框架有很多，例如：TensorFlow、Chainer、CNTK、Keras 等。本文选择使用TensorFlow。主要是TensorFlow目前相对比较流行，版本更新相对也快，可以满足不断发展的机器学习需要。软件环境使用的是Anaconda3。Anaconda3中不但包含Python开发环境，还提供了很多Python需要使用的常用函数库，并且在各种资源包管理上，也比较方便。环境的搭建，网上的案例太多了，在此就不多讲了。

3.2 数据流图

数据流图的实战，主要是为了方便大家对机器学习有一个更为基础直观的认识，更好地理解TensorFlow的工作原理。我们先看如下数据流图，比较容易理解。10和18作为输入，经过结点C两数相加，经过结点D两数相乘后，C和D的结果在E继续相乘，最后输出结果。

如果使用TensorFlow来进行计算，如何实现呢？请看以下代码。结果是5040。

接下来，我们要显示TensorFlow的TensorBoard，以便于进行更加直观的数据流图显示。

在程序中加入以下代码：

writer = tf.summary.FileWriter('D:\MyPython',sess.graph)

打开命令提示窗口。如果是Anaconda3的环境，直接在程序菜单中，进入软件自带的“Anaconda Prompt”就可以。

输入>tensorboard --logdir "D:/MyPython"

文件目录可以自行根据自己的文件进行修改。不一定要按文中的文件名称。要注意的是工作路径要与Python代码的路径一致。

成功启动TensorBoard，系统会默认分配一个端口号为6006的网址。

打开浏览器，输入“http://localhost:6006/”就可以显示出TensorBoard面版。有的机器，并不是localhsot，而机器名称加端口6006，我们在命令行中启动TensorBoard后，TensorBoard会告诉你一个实际的访问地址。启动后的TensorBoard如下图所示。

3.3 API使用

我们使用的是TensorFlow作为机器学习的工具，TensorFlow的接口非常多。大家有兴趣可以到TensorFlow的官方网站上查阅。在这里出于本文实战需要，为了方便大家更好理解，将本文用到的几个API进行简单说明。

（1）tf.matmul(x, w)             矩阵

（2）tf.square(error)             平方

（3）tf.reduce_mean(error)  均值

（4）tf.train.GradientDescentOptimizer(learning_rate)  梯度下降优化

4、机器学习实战

4.1 原理说明

学习的数据比较简单，我们假设定义一个公式 y=ax+b。这个公式我们知道，而机器不知道。通过给机器输入和这个公式相关的学习数据，来让机器自己学习这个公式，从而使我们给机器一个x值，机器可以告诉我们y值。

我们以公式  y=2x+3，生成学习数据。

很明显，这是一个线性回归的学习。而Tensorflow仅是一个计算工具而已。不用Tensorflow其实直接用Python、R语言，或是Java、C#去写计算方法也可以。最重要的是，我们要知道基础的计算逻辑。

因为我们这个实战，生成的数据就是线性的，很容易表示。而现实中的数据，往往没有这么明确的线性关系，往往数据与线性是有偏差的。我们将上述的数据进行一些微调后，如下图所示：

所以，我们本文的机器学习实战是希望通过通过线性回归找到这条直线，从而能以最小的误差（Loss）来拟合数据。

本文中，之前定义的公式是：y=ax+b

如果我们去找每个点同这个直线的距离，如下公式所示：

我们可以把绝对值变为平方，那么这个误差可以表示为：

将上述公式的和求平均，有：

这时候，我们大学时学的高等数学就派上用场了。求极值，其实就是使公式中变量的偏导数为零，即：

机器学习，其实就是通过解这个方程组，来求出a和b。

我们要求的最小值，就是这个曲线底部的这个值。不论我们目前计算的起始值在这个曲线的哪个位置，只要是能到曲线底部就可以了。是不是有种阶度的感觉？而这个过程，就是机器学习中常说的一个术语——梯度下降。

4.2 案例实战

原理大家现在已经熟悉，接下来进入案例实战环节。

（1）数据准备。我们根据本文的Excel样例数据，准备10个数据。用来机器学习。

xi =[[1.1,], [1.2,], [1.8,], [2.15,], [2.33,], [2.37,], [3.33,], [4.33,], [5.23,],[5.38,]]

yi =[[5.2,], [5.4,], [6.6,], [7.3,], [7.66,], [7.74,], [9.66,], [11.66,], [13.46,], [13.76,]]

（2）画出数据图，这个是便于大家直观感受的。

fig = plt.figure()

ax=fig.add_subplot(1,1,1)

ax.scatter(xi,yi)

（3）建立线性模型:y=W·X+b,随机初始化W和b

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

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

weights = tf.Variable(initial_value=tf.random_normal(shape=(1, 1)))

bias = tf.Variable(initial_value=tf.random_normal(shape=(1, 1)))

y_pred = tf.matmul(x, weights) + bias

（4）确定损失函数,也就是文章中理论部分讲的原理。

loss = tf.losses.mean_squared_error(labels=y_true, predicti style="margin-bottom: 15px;line-height: 1.75em;text-indent: 2em;">（5）梯度下降优化

optimizer = tf.train.GradientDescentOptimizer(0.01)

train = optimizer.minimize(loss)

（6）变量初始化

init = tf.global_variables_initializer()

（7）进行训练

sess = tf.Session()

sess.run(init)

for i in range(2000):

sess.run((train, loss),feed_dict={x:xi,y_true:yi})

（8）进行预测，x=30时，正确结果应该输出 63

print(sess.run(y_pred,feed_dict={x:[[30,]],y_true:[[None]]}))

运行结果如下图所示，预测的结果是63.00613022，可以说是相当准确了。

正如本文之前所说的，现实中的数据不可能是完全线性的。我们把yi的值，进行一些调整，变成不是完全线性，我们看一下机器学习的结果。

即：

yi =[[5.7,], [5.4,], [6.9,], [7,], [8,], [7.2,], [9.99,], [11.01,], [13.65,], [12.99,]]

结果如下图所示，预测结果是59.12093735。我们相信，如果样本的数据量足够大，最后的结果仍然会更加接近真实值。

4.3 源代码

为了方便大家代码调试，这里直接把代码发在这里。

5、结语

机器学习是一个非常庞大且非常复杂的领域，需要具备的知识点非常多。本文主要简单介绍了机器学习的几个类型，机器学习的工具TensorFlow的基本用法，并通过一个简单的机器学习案例实战，使大家对机器学习有个初步的认识。对于机器学习体系而言，我的文章显得非常的微不足道，也仅是抛砖引玉。如果对机器学习有兴趣的同学，可以 再去 系统地学习。机器学习的关键，还是对基础知识的理解，基础知识掌握熟练了，用任何工具都是手到擒来。大家可以先学习一些数据结构与算法的基础知识，例如：二叉树、搜索、动态规划、分组、排序、链表等。再学习一些数学与统计学的知识。在此基础上，需要对机器学习的一些理论进行掌握，例如：模型评估、ROC曲线、PR曲线、CNN、RNN、特征工程等。当然，对编程语言的学习（例如：Python），也是必不可少的。同时选取自己喜欢并适合计算框架（例如：TensorFlow），掌握其API的用法。理论结合实践，坚持下来，相信大家一定会有所收获，并体会到学习的乐趣。

作者：王佳亮，中国计算机学会（CCF）会员。微信公众号：佳佳原创