高焕堂AI概论：以Python撰写 AI模型框架

图3、框架支援App的快速开发
这个简单范例里，输出层神经元的主要计算公式是：y= X*W+B。表现于指令：
def predict(self, X):
       y = np.dot(X, self.W) + self.B
       z = self.sigmoid(y)
       return z
计算出y值之后，再经由Sigmoid()激励函数，转换出z值，才成为这神经元的输出值(即z值)。有了z值之后，就能进行「反向传播(Backpropagation)」来更新权重(Weight)值。表现于指令：
       loss= T[j] - z
       delta = 2 * self.deriv(z) * loss
       update = self.learningRate * delta
  其中的loss值，还要乘以Sigmoid的导数(Derivation)值，来决定修正的幅度。这样子，让模型的适用范围更广了。除了可以应用于线性分类(Linear classification)问题上，也适用于非线性分类(Nonlinear classification)的情境。
  至于主程式(部分)里有个指令：
p = myNN()
诞生一个myNN的物件，并且呼叫到基类Perceptron的建构式：
   class Perceptron(ABC):
      def__init__(self):         self.learningRate = self.onLearningRate()         self.epoches = self.onEpoch()         dw = self.onW()
            # …………
            # …………
  然后，开始执行建构式里的指令，呼叫到了onLearningRate()函数，转而呼叫子类myNN里的onLearningRate()函数，要求它传回来<学习率>的值。接着，就呼叫到onEpoch()函数，转而呼叫子类myNN里的onEpoch()函数，要求它传回来训练的回合数。接着，就呼叫到onＷ()函数，转而呼叫子类myNN里的onＷ()函数，要求它传回来权重的初期值。然后返回主程式部分，执行下一个指令：
　　   p.train()
   于是，这指令就呼叫基类Perceptron里的train()函数，执行到train()函数里的指令：
  def train(self):
           X = self.onX()
           T = self.onT()
就呼叫到onX()函数了。然而这onX()是抽象函数，其指令是实作于myNN子类里。于是就转而呼叫myNN里的onX()函数，要求它传回来训练资料Ｘ[]的内容。接着呼叫onT()函数了，就转而呼叫myNN里的onT()函数，要求它传回来期望资料Ｔ[]的内容。然后展开训练的动作，并输出结果如下：

其结果与上一个范例是一致的，一开始的预测正确率比较低。然而愈多回合的训练，其正确率就逐渐上升了。到了第#50回合之后，其预测的正确率就接近于1.0(即达到100%)了。

0