1.3 从代码开始

“Talk is cheap, show me the code”这句话无论是对于程序开发还是对于机器学习都是适用的。对于一个软件工程师来说，原理、分析和推导都比不上一段真实的代码更容易让人理解，下面就让我们直接尝试用代码来解决问题吧。

1.3.1 搭建环境

本节希望让读者尽快接触真实开发环境下的代码，因此将使用TensorFlow中的Keras作为开发框架（现在Keras已是TensorFlow的一部分）。此外，我们需要一些额外的Python包作为支持。我们选用了Python 3.7以上版本，并假设读者已经安装好Python 3.7。下面执行安装本章代码运行所需依赖库的命令：

1.3.2 一段简单的代码

考虑一个简单的问题：对正负数分类，对正数返回1，对负数返回0。

这用传统的代码实现起来非常简单，如下所示：

但用机器学习该如何实现呢？

下面用TensorFlow自带的Keras实现对正负数分类：

我们看看这18行代码都做了什么。

第1～3行：引入依赖库TensorFlow和其自带的Keras相关库。

第5～8行：这4行建立了一个简单的两层神经网络模型。在第5行定义了一个Sequential类型的网络，顾名思义是按顺序层叠的网络。在第6行加入第1层网络，输入input_dim为1，意味着只有1个输入（因为我们只判断一个数字是否为正数）；但是定义了8个输出（units=8），这个数字其实是随意定的，可以视为其中神经元的个数（我们将在第2章解释什么是神经元），一般神经元的个数越多，效果越好（训练时间也越长）。算法科研人员会耗费大量的时间来确定这些数字，以找到最佳的个数。第7行再叠加一层，接收前面的输出（8个），但作为最后一层，这次只定义一个输出（units=1），这个输出决定了最后的分类结果。第8行对整个模型进行最后的配置，选择mean_squared_error（平均方差）作为损失函数计算，选择随机梯度下降（Stochastic Gradient Descent，SGD）作为梯度优化方式。这里将不从理论角度解释随机梯度下降的原理，但在第2章中将通过代码来手工实现随机梯度下降。

第10～12行：设定了两组数据x和y作为训练集，其中，x包括10个正数，y包括对应的10个分类结果。可以看到，对于x中的每个正数，y中对应的值都是1.0，负数x[i]所对应的y[i]则是0。然后我们调用model.fit函数进行训练，设置epochs为10（训练10次），batch_size为4（每次都随机挑选4组数据）。

第14～18行：这里构建了4个输入数据进行测试并打印结果。我们构建了数组test_x，该数组包含4个整数，然后调用model.predict方法对test_x进行预测。在第17～18行将打印每个输入所对应的预测结果。

以上18行代码的运行结果如下：

可以看到，在最后的预测结果中，所有正数的预测值都非常接近1，所有负数的预测值都小于0.01。前面解释过，机器学习是一种概率预测，不可能完全精确，以上结果对正负数做了较为明确的划分，是可以接受的。

经过上面的代码实现，读者可能仍然对其中涉及的一些内容有些茫然，比如什么是梯度下降，神经元又是什么，什么叫加一层、减一层，具体的参数又是怎样训练的，等等，在第2～4章会详细解释这些内容。

上述代码是基于Keras实现的，Keras是机器学习研究主流的开发框架，封装了很多常见的算法和模型。第2章将抛开这些框架，用最基本的Python代码从最简单的神经网络开始，尝试实现上面的功能。