7.2　神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)及和TensorFlow的對比

如圖7-4所示，代碼（chapter6_Create_AI_Framework版本的Neuron_Network_Entry.py）在只有1個(gè)隱藏層（Neuron_Network_Entry.py, hidden_layers=[3]）的情況下，現(xiàn)在把時(shí)代從Epoch=10 000調(diào)整為Epoch=100 000，再次運(yùn)行Neuron_Network_Entry.py，當(dāng)運(yùn)行到約28 700次的時(shí)候，發(fā)現(xiàn)運(yùn)行結(jié)果達(dá)到了極限，誤差值為0.160 314 984 681 597 44，之后誤差值不再變化。將Neuron_Network_Entry.py程序停止運(yùn)行。

在改進(jìn)以后的代碼（Artificial_Intelligence_Framework_Main.py）中修改時(shí)代的次數(shù)為10萬次，即epoch=100 000，在Spyder界面右側(cè)的Console頁面中輸出結(jié)果有兩列，第一列是運(yùn)行了多少次時(shí)代，第二列是計(jì)算的損失度值。隨著運(yùn)行的不斷進(jìn)行，損失度逐漸減小，這是損失度變化的核心趨勢，運(yùn)行結(jié)果如圖7-5所示。

圖7-4　運(yùn)行到28 700次時(shí)代時(shí)的誤差值

圖7-5　損失度計(jì)算結(jié)果

這里運(yùn)行10萬次，運(yùn)行次數(shù)相對比較多，當(dāng)時(shí)代運(yùn)行到59 700次的時(shí)候，損失度達(dá)到了0.000 100 172 235 589 972 6；繼續(xù)運(yùn)行，誤差就達(dá)到了約0.000 01的精確度，這里9.999 915 058 051 979e–05使用了科學(xué)記數(shù)法的顯示方式。當(dāng)運(yùn)行到10萬次的時(shí)候，我們看一下?lián)p失度將達(dá)到什么程度，以及預(yù)測值是否接近實(shí)際值。最終運(yùn)行結(jié)果如圖7-6所示。

圖7-6　時(shí)代運(yùn)行10萬次時(shí)的結(jié)果

運(yùn)行結(jié)果是一個(gè)非常漂亮的結(jié)果！當(dāng)?shù)谝恍械膶?shí)際值是0的時(shí)候，第一行的預(yù)測值是0.014 324 214 519 085 965；當(dāng)?shù)谒男械膶?shí)際值是0的時(shí)候，第四行的預(yù)測值是0.002 130 684 481 578 583；預(yù)測值已經(jīng)非常非常接近實(shí)際值了。當(dāng)?shù)诙械膶?shí)際值是1.0的時(shí)候，第二行的預(yù)測值是0.987 457 410 476 435 4；當(dāng)?shù)谌械膶?shí)際值是1.0的時(shí)候，第三行的預(yù)測值是0.989 787 562 167 221 4，可以認(rèn)為是0.99，已達(dá)到驚人的精確度。從閱讀TensorFlow、PyTorch源代碼的經(jīng)驗(yàn)來看，盤古人工智能框架走過的路是最具技術(shù)含量的路。實(shí)際案例將比盤古人工智能框架的內(nèi)容簡單，例如，信用卡如何防止反欺詐，金融貸款的時(shí)候如何防止非法操作，推出產(chǎn)品如何判斷用戶的星級評價(jià)（一～五星級）。在判斷用戶評價(jià)的案例中，星級評價(jià)比用戶是否喜歡這個(gè)商品的難度更大。