1. 機器學習是什么？

傳統(tǒng)上如果我們想讓計算機工作，我們給它一串指令，然后它遵照這個指令一步步執(zhí)行下去。有因有果，非常明確。

機器學習與人類思考的類比

但機器學習則是完全不同的過程，比如要教會計算機做加法。我們不告訴計算機1+1=2。而是先在計算機中搭建好類似人類大腦的神經(jīng)網(wǎng)絡(luò)，然后通過輸入大量算式（5000組），并告訴計算機算出結(jié)果是對還是錯，而且只告訴計算機對錯而不告訴正確答案，經(jīng)過大量反復訓練（5000道題目做100次），計算機會得到某種正確率最高的模型，計算機可能重新發(fā)現(xiàn)了1+1=2但也可能和加法規(guī)則毫無關(guān)系。最后我們會利用這個模型去處理新的數(shù)據(jù)。

由于經(jīng)過機器學習得出的模型能夠以近似于人的方式解決很多靈活復雜的問題，所以在模式識別、統(tǒng)計學習、數(shù)據(jù)挖掘、計算機視覺、語音識別、自然語言處理等領(lǐng)域有著很廣泛的應(yīng)用。

一般來說機器學習是相當高深的領(lǐng)域，但是在慧編程中有機器學習加法訓練的擴展模塊，無需高深的編程知識就可以方便使用了，我們就用這個功能來體驗一下機器學習吧。

2. 下載和安裝

在www.mblock.cc下載并安裝慧編程，這是基于Scratch 3.0開發(fā)的兒童編程軟件，除了基本的積木式編程和Python代碼編程外，它特別融入了AI（人工智能）和 IoT（物聯(lián)網(wǎng)）等前沿技術(shù)。

對角色添加擴展，在第二頁找到“機器學習之加法訓練”并添加。

3. 積木說明

這個模塊是使用上千組數(shù)據(jù)對機器進行加法訓練，得出輸入和輸出之間的對應(yīng)關(guān)系即訓練模型?？梢酝ㄟ^調(diào)整不同的訓練參數(shù)，了解各種機器學習的相關(guān)概念和作用。

1） 加數(shù)和被加數(shù)的位數(shù)2

提供的數(shù)據(jù)都是兩位數(shù)以下的加法。

2） 樣本數(shù)據(jù)數(shù)5000

給機器學習的數(shù)據(jù)數(shù)量，5000道加法題。

3） 選擇RNN的網(wǎng)絡(luò)類型

這里提供了三種使用非常廣泛的循環(huán)神經(jīng)網(wǎng)絡(luò)模型。循環(huán)神經(jīng)網(wǎng)絡(luò)是當前深度學習熱潮中最重要和最核心的技術(shù)之一。這里我們無需了解它的運算過程直接使用就可以了。

Simple RNN 簡單循環(huán)神經(jīng)網(wǎng)絡(luò)，GRN 門控循環(huán)單元網(wǎng)絡(luò)，LSTM 長短期記憶網(wǎng)絡(luò)。

4） 隱藏層數(shù)量

一個神經(jīng)網(wǎng)絡(luò)包括有多個神經(jīng)元層，輸入層、隱藏層及輸出層。輸入層負責接收輸入及分發(fā)到隱藏層（因為用戶看不見這些層，所以叫做隱藏層）。這些隱藏層負責所需的計算及輸出結(jié)果給輸出層，而用戶則可以看到最終結(jié)果。

隱藏層就是把輸入數(shù)據(jù)的特征，抽象到另一個維度空間，來展現(xiàn)其更抽象化的特征，這些特征能更好地進行線性劃分。多個隱藏層其實是對輸入特征多層次的抽象，最終的目的就是為了更好的線性劃分不同類型的數(shù)據(jù)。

5） 每個隱藏層的神經(jīng)元數(shù)量

神經(jīng)元是處理數(shù)據(jù)的節(jié)點。每個神經(jīng)元會對前一個神經(jīng)元傳來的數(shù)據(jù)，按照自己擁有的一個權(quán)重系數(shù)進行加工。確定合適的神經(jīng)元數(shù)量是一項很專業(yè)的技能，我們直接使用默認數(shù)據(jù)即可。

6） 迭代次數(shù)

使用訓練集的全部數(shù)據(jù)對模型進行一次完整訓練稱之為“一代訓練”，迭代次數(shù)100就表示用全部數(shù)據(jù)對模型訓練100次。

理論上，隱藏層越多神經(jīng)元數(shù)量越多迭代次數(shù)越多，結(jié)果的準確率就會越高甚至達到100%，但是增加這些參數(shù)一方面計算量會急劇增大，訓練時間會非常長。另外某些參數(shù)設(shè)置過高除了效果提升效果不明顯以外可能還會產(chǎn)生過擬合。

4. 運行效果

開始訓練，計算機準備數(shù)據(jù)時會卡一會兒，等一會兒后點一下打開數(shù)據(jù)看板，可以看到訓練集和測試集曲線。隨著不斷迭代loss損失越來越低，accuracy準確率越來越高，當準確率接近100%說明訓練的效果已經(jīng)達到，模型對于樣本庫的數(shù)據(jù)可以做到全部判斷正確了，我們判斷模型訓練成功了。你可以通過變動各種參數(shù)，自己觀察訓練時間和訓練效果。

5. 測試模型

根據(jù)訓練曲線，模型已經(jīng)獲得很高的正確率。用50組數(shù)據(jù)進行測試。點擊“打開數(shù)據(jù)面板”可以看到模型預測結(jié)果和正確結(jié)果的對比。如果數(shù)據(jù)少迭代次數(shù)不夠模型訓練不好正確率就不會高。

這個加法訓練可以讓你更好地理解機器學習?；劬幊讨羞€有更實用的機器學習模塊就需要你花不少功夫去學習相關(guān)知識才能使用了。