从一个双控开关思考神经网络（上）

内容提要

引子--双控开关和三控开关

拓展--数字电路

深入--神经网络

     --神经网络之感知器：给定模型，通过数据训练参数，可以解决分类问题。

     --神经网络之隐藏层：更强大的神经网络（更多参数）

     --神经网络之激活函数：超越线性（非线性的引入）

     --神经网络之反向传播：质的飞跃（性能大幅提升）

     --神经网络之实用关键：算法收敛（快速有效地找到合适的参数）

双控开关和三控开关

我在进行乐高编程的时候，可以在电脑上启动，也可以在乐高机器人的可编程程序块上启动。就像家里客厅的灯，有时希望可以有两个开关来控制它。比如在楼上或楼下各安装一个，都可以独立控制灯泡的开关。初中生知道，最简单的办法是用两个单刀双掷开关来实现，如下图。

                                  

如果还想在卧室增加一个开关，实现用三个开关来控制一个灯泡呢？经典的办法是两个单刀双掷开关加一个双刀双掷开关，如下图。

如果想要四个开关，五个，甚至七八个开关来控制这个灯泡呢？电路图会是多复杂？有没有什么通用的办法来解决？

引入数字电路

我们先回到最简单的“双控开关”。开关只有２个状态，“开”和“关”，我们分布用“１”和“０”来表示。１代表开，０代表关。这样，２个开关可以用一个２位的二进制数表示，两个开关有四种组合｛开开，开关，关开，关关｝，记做｛00,01,10,11｝。和上面双控开关对应起来，有｛00,11｝灯泡亮，｛01,10｝灯泡灭。

我们把它写出函数的形式：y = f(b[1],b[2])。b[1]，b[2]分布代表开关１和２的状态，取值为０或１。函数值ｙ取值也是０或１表示灯泡亮或灭。期待的结果为：

灯泡亮：y = 1 = f(0,0) = f(1,1)

灯泡灭：y = 0 = f(1,0) = f(0,1)

函数ｆ是一个什么运算？不难发现，其实ｆ是一个异或／模二相加运算加一个取反。即 f(b[1],b[2]) = !(b[1]+b[2])，这里＋表示模二相加，！表示取反。这用一个简单的数字电路就可以实现！只要把一个标准与非门＋一个异或门串联起来。

用数字电路解决多控开关

一旦写成数字电路的“数字运算”形式，就很容易打开思路拓展到三控开关。y = f(b[1],b[2],b[3])。假设初始状态｛000｝是亮的，拨动任意一个开关一次，将会有３种可能状态｛001,010,100｝，这三种状态是灭的。在这３种状态下再拨动一个开关一次，再次灯泡亮，此时要么回到状态｛000｝，要么得到状态｛011,101,110｝。以此类推，得到：

灯泡亮：｛000,011,101,110｝

灯泡灭：｛111,001,010,100｝

仍然是这３个开关状态的模二相加再取非！

即 f(b[1],b[2],b[3]) = !(b[1]+b[2]+b[3])

不管增加到几个开关，都可以简答地用与非门和异或门来实现！

数字电路基本概念

我们已经用数字电路实现了多控开关，用到了与非门和异或门，对应着数字电路的两个基本运算：取反NOT，异或XOR。数字电路４个基本运算还有与AND和或OR。

与门(AND)：

f(0,0) = 0; f(0,1) = 0; f(1,0) = 0; f(1,1) = 1

与非门(NAND)：

f(0,0) = 1; f(0,1) = 1; f(1,0) = 1; f(1,1) = 0

或门(OR)：

f(0,0) = 0; f(0,1) = 1; f(1,0) = 1; f(1,1) = 1

异或门(XOR)：

f(0,0) = 1; f(0,1) = 0; f(1,0) = 0; f(1,1) = 1

注意到前面一直说的是与非门而不是非门。因为与非门是一般数字电路的标准，电路实现上，非门不太稳定所以设计成与非门形式。很容易通过与非门来实现取反功能，只要把与非门的另一个输入固定成１即可。

关于数字电路的一些思考

我们已经了解到了与门、与非门、或门以及异或门的逻辑。这是构成数字电路的最基本要素。上面函数 f(b[1],b[2]) 的２个输入 (b[1],b[2]) 是独立的，很自然地想到可以看作在直角坐标系中的一个点。然后把函数值 y = f(b[1],b[2]) 看作是坐标系中点(b[1],b[2])的标签(label)。这样就把求函数值问题转化为分类问题了。对两输入问题来说，就是把４个点｛00,01,10,11｝分成两类｛y=0, y=1｝。

如下图所示。与门，与非门，或门都可以找到一个线性方程（一条直线）就能把结果0和1区分开来。不过异或无法找到这样一条直线进行区分。

然而神经网络刚好擅长解决这种分类问题。

最简单的神经网络

受生物神经结构的启发，有人提出了最简单的神经网络：感知器。

感知器的结构如下：加权求和值经过一个函数得到输出。权重是可以调节的参数，函数可能是一个简答的阈值／门限判定。

对只有２个输入 (b[1],b[2]) 的情况来说，可以把上面感知器用公式表达如下。

加权求和：z =  w[1]*b[1] + w[2]*b[2]

比较判定：y = g(z)，g：当z大于／小于ｂ时，y = 1 ，否则 y = ０

很容易写出来，AND的实现之一：w[i] = 1；g：当 z = b[1] + b[2] 大于门限 b　= 1.5 时取１否则取０。NAND只要把AND的判定函数取０或１反过来即可。OR把门限 b 取 0.5 即可。我们还是来写一点代码来搜索符合条件的参数吧！以AND为例。

1. def perceptron(x,w,b):

2.    """

3.    感知器

4.    """

5.    sum_val = 0

6.    for e in zip(x,w):

7.        sum_val += e[0]*e[1]

8.    if sum_val>b:

9.        return 1

10.    else:

11.        return 0

12. def prediction(input_vecs, w, b, labels):

13.    """

14.    给定感知器参数，获取所有数据的输出并和标签对比，输出对比结果

15.    """

16.    for e in zip(input_vecs,labels):

17.        if perceptron(e[0],w,b)!=e[1]:

18.            return False

19.    return True

20. #数据

21. input_vecs = [[1,1], [0,0], [1,0], [0,1]]

22. labels = [1, 0, 0, 0]

23. #参数的可能取值，[0.0, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9]

24. w_range = [x/10.0 for x in range(0,10)]

25. #遍历所有参数，打印符合的系数

26. for b in [0, 0.5, 1, 1.5, 2]:

27.    for w1 in w_range:

28.        for w2 in w_range:

29.            w = [w1,w2]

30.            if prediction(input_vecs, w, b, labels)==True:

31.                print w,b

运行这段代码可以得到几十条符合条件的参数。是不是对给定的这个数学模型（感知器），通过调节模型参数（w, b），都可以通过“数据-标签”进行训练来实现分类功能？继续尝试，NAND，OR都可以得到，可是找不到可以实现异或的参数。看来感知器模型还不够强大。

更多相关教程，请关注我们的公众号

AI启蒙研究院

人工智能启蒙之旅