1.3 從代碼開始

“Talk is cheap, show me the code”這句話無論是對于程序開發還是對于機器學習都是適用的。對于一個軟件工程師來說，原理、分析和推導都比不上一段真實的代碼更容易讓人理解，下面就讓我們直接嘗試用代碼來解決問題吧。

1.3.1 搭建環境

本節希望讓讀者盡快接觸真實開發環境下的代碼，因此將使用TensorFlow中的Keras作為開發框架（現在Keras已是TensorFlow的一部分）。此外，我們需要一些額外的Python包作為支持。我們選用了Python 3.7以上版本，并假設讀者已經安裝好Python 3.7。下面執行安裝本章代碼運行所需依賴庫的命令：

1.3.2 一段簡單的代碼

考慮一個簡單的問題：對正負數分類，對正數返回1，對負數返回0。

這用傳統的代碼實現起來非常簡單，如下所示：

但用機器學習該如何實現呢？

下面用TensorFlow自帶的Keras實現對正負數分類：

我們看看這18行代碼都做了什么。

第1～3行：引入依賴庫TensorFlow和其自帶的Keras相關庫。

第5～8行：這4行建立了一個簡單的兩層神經網絡模型。在第5行定義了一個Sequential類型的網絡，顧名思義是按順序層疊的網絡。在第6行加入第1層網絡，輸入input_dim為1，意味著只有1個輸入（因為我們只判斷一個數字是否為正數）；但是定義了8個輸出（units=8），這個數字其實是隨意定的，可以視為其中神經元的個數（我們將在第2章解釋什么是神經元），一般神經元的個數越多，效果越好（訓練時間也越長）。算法科研人員會耗費大量的時間來確定這些數字，以找到最佳的個數。第7行再疊加一層，接收前面的輸出（8個），但作為最后一層，這次只定義一個輸出（units=1），這個輸出決定了最后的分類結果。第8行對整個模型進行最后的配置，選擇mean_squared_error（平均方差）作為損失函數計算，選擇隨機梯度下降（Stochastic Gradient Descent，SGD）作為梯度優化方式。這里將不從理論角度解釋隨機梯度下降的原理，但在第2章中將通過代碼來手工實現隨機梯度下降。

第10～12行：設定了兩組數據x和y作為訓練集，其中，x包括10個正數，y包括對應的10個分類結果。可以看到，對于x中的每個正數，y中對應的值都是1.0，負數x[i]所對應的y[i]則是0。然后我們調用model.fit函數進行訓練，設置epochs為10（訓練10次），batch_size為4（每次都隨機挑選4組數據）。

第14～18行：這里構建了4個輸入數據進行測試并打印結果。我們構建了數組test_x，該數組包含4個整數，然后調用model.predict方法對test_x進行預測。在第17～18行將打印每個輸入所對應的預測結果。

以上18行代碼的運行結果如下：

可以看到，在最后的預測結果中，所有正數的預測值都非常接近1，所有負數的預測值都小于0.01。前面解釋過，機器學習是一種概率預測，不可能完全精確，以上結果對正負數做了較為明確的劃分，是可以接受的。

經過上面的代碼實現，讀者可能仍然對其中涉及的一些內容有些茫然，比如什么是梯度下降，神經元又是什么，什么叫加一層、減一層，具體的參數又是怎樣訓練的，等等，在第2～4章會詳細解釋這些內容。

上述代碼是基于Keras實現的，Keras是機器學習研究主流的開發框架，封裝了很多常見的算法和模型。第2章將拋開這些框架，用最基本的Python代碼從最簡單的神經網絡開始，嘗試實現上面的功能。