共计 17631 个字符，预计需要花费 45 分钟才能阅读完成。
人工智能神经网络（Artificial Neural Network，又称为 ANN）是一种由人工神经元组成的网络结构，神经网络构造是所有机器学习的根本构造，换句话说，无论是深度学习还是强化学习都是基于神经网络构造进行构建。对于人工神经元，请参见：人工智能机器学习底层原理分析, 人造神经元, 您肯定能看懂, 艰深解释把 AI“黑话”转化为“白话文”。
机器学习能够解决什么问题
机器学习能够帮忙咱们解决两大类问题：回归问题和分类问题，它们的次要区别在于输入变量的类型和预测指标的不同。
在回归问题中，输入变量是间断值，预测指标是预测一个数值。例如，预测房价、预测销售额等都是回归问题。通常应用回归模型，如线性回归、决策树回归、神经网络回归等来解决这类问题。回归问题的评估指标通常是均方误差（Mean Squared Error，MSE）、均匀绝对误差（Mean Absolute Error，MAE）等。
在分类问题中，输入变量是离散值，预测指标是将样本划分到不同的类别中。例如，预测邮件是否是垃圾邮件、预测图像中的物体类别等都是分类问题。通常应用分类模型，如逻辑回归、决策树分类、反对向量机、神经网络分类等来解决这类问题。分类问题的评估指标通常是准确率、精度（Precision）、召回率（Recall）等。
事实上，机器学习只能解决“能够”被解决的问题，也就是说，机器学习能帮咱们做的是进步解决问题的效率，而不是解决咱们原本解决不了的问题，说白了，机器学习只能解决人目前能解决的问题，比如说人当初不能做什么？人不能永生，不能白日飞升，也不能治愈绝症，所以你指望机器学习解决此类问题，就是痴心妄想。
同时，机器学习输出的特征参数和输入的预期后果必须有逻辑相关性，什么意思？比如说咱们想预测房价，后果特征参数输出了很多没有任何逻辑相关性的数据，比方历年水稻的出产率，这就是没有逻辑相关性的数据，这样的问题再怎么调参也是无奈通过机器学习来解决的。
此外，回归问题中有一个畛域十分引人关注，那就是预测股票价格，国内常常有人说本人训练的模型能够预测某支 A 股的价格走势，甚至能够精准到具体价格单位。说实话，挺滑稽的，要害是还真有人置信靠机器学习能在 A 股市场大杀特杀。
因为，略微有点投资教训的人都晓得，股票的历史数据和将来某个工夫点或者某个时间段的理论价格，并不存在因果关系，尤其像 A 股市场这种可被操控的黑盒环境，连具体特色都是暗藏的，或者说特色是什么都是未知的，你认为的特色只是你认为的，并不是市场或者政策认为的，所以你输出之前十年或者二十年的历史股票数据，你让它预测，就是在搞笑，机器学习没法帮你解决此类问题。
为什么当初 GPT 模型当初这么火？是因为它在 NLP（自然语言剖析）畛域有了质的冲破，能够通过大数据模型分割上下文关系生成可信度高的答复，而这个上下文关系，就是咱们所谓的参数和预期后果的因果关系。
鸢尾花分类问题
鸢尾花分类问题是一个经典的机器学习问题，也是神经网络入门的罕用案例之一。它的指标是通过鸢尾花的花萼长度、花萼宽度、花瓣长度和花瓣宽度这四个特色来预测鸢尾花的种类，分为三种：山鸢尾（Iris Setosa）、变色鸢尾（Iris Versicolour）和维吉尼亚鸢尾（Iris Virginica）。
艰深来讲，就是咱们要训练一个神经网络模型，它可能依据鸢尾花的四个特色，主动地对鸢尾花的种类进行分类。
在这个案例中，咱们应用了一个蕴含一个暗藏层的神经网络，它的输出层有 4 个神经元，代表鸢尾花的 4 个特色；暗藏层有 3 个神经元；输入层有 3 个神经元，别离代表 3 种鸢尾花的种类：
由此可见，神经网络通常由三层组成：输出层、暗藏层和输入层。
输出层：输出层接管内部输出信号，是神经网络的终点。它的神经元数量与输出特色的数量雷同，每个神经元代表一个输出特色。输出层的次要作用是将内部输出转换为神经网络外部的信号。
暗藏层：暗藏层位于输出层和输入层之间，是神经网络的外围局部。它的神经元数量能够依据问题的复杂度自在设定，每个神经元接管上一层神经元输入的信号，并进行加权解决和激活函数解决，再将后果传递给下一层神经元。暗藏层的次要作用是对输出信号进行简单的非线性转换，提取出输出信号中的特色，从而使得神经网络可能对简单的问题进行解决。
输入层：输入层是神经网络的起点，它的神经元数量通常与问题的输入数量雷同。每个神经元代表一个输入后果，输入层的次要作用是将暗藏层解决后的信号进行进一步解决，并将最终的后果输入。
在神经网络中，输出信号从输出层开始，通过暗藏层的解决，最终达到输入层。每一层的神经元都与下一层的神经元相连，它们之间的连贯能够看成是一种权重关系，权重值代表了两个神经元之间的相关性强度。当神经网络接管到输出信号后，每个神经元都会对这些信号进行加权解决，并通过激活函数将后果输入给下一层神经元，最终造成输入后果。通过一直调整权重和激活函数，神经网络能够学习到输出和输入之间的简单非线性关系，从而对未知数据进行预测和分类等工作。
定义神经网络构造体
在开始训练之前，咱们先定义一些须要的构造体和函数：
// neuralNet contains all of the information
// that defines a trained neural network.
type neuralNet struct {
config neuralNetConfig
wHidden *mat.Dense
bHidden *mat.Dense
wOut *mat.Dense
bOut *mat.Dense
}
// neuralNetConfig defines our neural network
// architecture and learning parameters.
type neuralNetConfig struct {
inputNeurons int
outputNeurons int
hiddenNeurons int
numEpochs int
learningRate float64
}这里 neuralNet 是神经网络构造体，同时定义输出、暗藏和输入层神经元的配置。
随后申明函数初始化神经网络：
func newNetwork(config neuralNetConfig) *neuralNet {return &neuralNet{config: config}
}这里返回神经网络的指针。
除此之外，咱们还须要定义激活函数及其导数，这是在反向流传过程中须要应用的。激活函数有很多抉择，但在这里咱们将应用 sigmoid 函数。这个函数有很多长处，包含概率解释和不便的导数表达式：
// sigmoid implements the sigmoid function
// for use in activation functions.
func sigmoid(x float64) float64 {return 1.0 / (1.0 + math.Exp(-x))
}
// sigmoidPrime implements the derivative
// of the sigmoid function for backpropagation.
func sigmoidPrime(x float64) float64 {return sigmoid(x) * (1.0 - sigmoid(x))
}实现反向流传
反向流传是指在前向流传之后，计算神经网络误差并将误差反向流传到各层神经元中进行参数（包含权重和偏置）的更新。在反向流传过程中，首先须要计算网络的误差，而后通过链式法则将误差反向流传到各层神经元，以更新每个神经元的权重和偏置。这个过程也被称为“反向梯度降落”，因为它是通过梯度降落算法来更新神经网络参数的。
说白了，反向流传就是逆运算，用后果反推过程，这里咱们能够编写一个实现反向流传办法的办法，用于训练或优化咱们网络的权重和偏置。反向流传办法包含以下步骤：
1 初始化权重和偏置（例如，随机初始化）。
2 将训练数据输出神经网络中进行前馈，以生成输入。
3 将输入与正确输入进行比拟，以获取误差。
4 基于误差计算权重和偏置的变动。
5 将变动通过神经网络进行反向流传。
对于给定的迭代次数或满足进行条件时，反复步骤 2 -5。
在步骤 3 - 5 中，咱们将利用随机梯度降落（SGD）来确定权重和偏置的更新：
// train trains a neural network using backpropagation.
func (nn *neuralNet) train(x, y *mat.Dense) error {
// Initialize biases/weights.
randSource := rand.NewSource(time.Now().UnixNano())
randGen := rand.New(randSource)
wHidden := mat.NewDense(nn.config.inputNeurons, nn.config.hiddenNeurons, nil)
bHidden := mat.NewDense(1, nn.config.hiddenNeurons, nil)
wOut := mat.NewDense(nn.config.hiddenNeurons, nn.config.outputNeurons, nil)
bOut := mat.NewDense(1, nn.config.outputNeurons, nil)
wHiddenRaw := wHidden.RawMatrix().Data
bHiddenRaw := bHidden.RawMatrix().Data
wOutRaw := wOut.RawMatrix().Data
bOutRaw := bOut.RawMatrix().Data
for _, param := range [][]float64{
wHiddenRaw,
bHiddenRaw,
wOutRaw,
bOutRaw,
} {
for i := range param {param[i] = randGen.Float64()}
}
// Define the output of the neural network.
output := new(mat.Dense)
// Use backpropagation to adjust the weights and biases.
if err := nn.backpropagate(x, y, wHidden, bHidden, wOut, bOut, output); err != nil {return err}
// Define our trained neural network.
nn.wHidden = wHidden
nn.bHidden = bHidden
nn.wOut = wOut
nn.bOut = bOut
return nil
}接着实现具体的反向流传逻辑：
// backpropagate completes the backpropagation method.
func (nn *neuralNet) backpropagate(x, y, wHidden, bHidden, wOut, bOut, output *mat.Dense) error {
// Loop over the number of epochs utilizing
// backpropagation to train our model.
for i := 0; i < nn.config.numEpochs; i++ {
// Complete the feed forward process.
hiddenLayerInput := new(mat.Dense)
hiddenLayerInput.Mul(x, wHidden)
addBHidden := func(_, col int, v float64) float64 {return v + bHidden.At(0, col) }
hiddenLayerInput.Apply(addBHidden, hiddenLayerInput)
hiddenLayerActivations := new(mat.Dense)
applySigmoid := func(_, _ int, v float64) float64 {return sigmoid(v) }
hiddenLayerActivations.Apply(applySigmoid, hiddenLayerInput)
outputLayerInput := new(mat.Dense)
outputLayerInput.Mul(hiddenLayerActivations, wOut)
addBOut := func(_, col int, v float64) float64 {return v + bOut.At(0, col) }
outputLayerInput.Apply(addBOut, outputLayerInput)
output.Apply(applySigmoid, outputLayerInput)
// Complete the backpropagation.
networkError := new(mat.Dense)
networkError.Sub(y, output)
slopeOutputLayer := new(mat.Dense)
applySigmoidPrime := func(_, _ int, v float64) float64 {return sigmoidPrime(v) }
slopeOutputLayer.Apply(applySigmoidPrime, output)
slopeHiddenLayer := new(mat.Dense)
slopeHiddenLayer.Apply(applySigmoidPrime, hiddenLayerActivations)
dOutput := new(mat.Dense)
dOutput.MulElem(networkError, slopeOutputLayer)
errorAtHiddenLayer := new(mat.Dense)
errorAtHiddenLayer.Mul(dOutput, wOut.T())
dHiddenLayer := new(mat.Dense)
dHiddenLayer.MulElem(errorAtHiddenLayer, slopeHiddenLayer)
// Adjust the parameters.
wOutAdj := new(mat.Dense)
wOutAdj.Mul(hiddenLayerActivations.T(), dOutput)
wOutAdj.Scale(nn.config.learningRate, wOutAdj)
wOut.Add(wOut, wOutAdj)
bOutAdj, err := sumAlongAxis(0, dOutput)
if err != nil {return err}
bOutAdj.Scale(nn.config.learningRate, bOutAdj)
bOut.Add(bOut, bOutAdj)
wHiddenAdj := new(mat.Dense)
wHiddenAdj.Mul(x.T(), dHiddenLayer)
wHiddenAdj.Scale(nn.config.learningRate, wHiddenAdj)
wHidden.Add(wHidden, wHiddenAdj)
bHiddenAdj, err := sumAlongAxis(0, dHiddenLayer)
if err != nil {return err}
bHiddenAdj.Scale(nn.config.learningRate, bHiddenAdj)
bHidden.Add(bHidden, bHiddenAdj)
}
return nil
}接着申明一个工具函数，它帮忙咱们沿一个矩阵维度求和，同时放弃另一个维度不变：
// sumAlongAxis sums a matrix along a particular dimension,
// preserving the other dimension.
func sumAlongAxis(axis int, m *mat.Dense) (*mat.Dense, error) {numRows, numCols := m.Dims()
var output *mat.Dense
switch axis {
case 0:
data := make([]float64, numCols)
for i := 0; i < numCols; i++ {col := mat.Col(nil, i, m)
data[i] = floats.Sum(col)
}
output = mat.NewDense(1, numCols, data)
case 1:
data := make([]float64, numRows)
for i := 0; i < numRows; i++ {row := mat.Row(nil, i, m)
data[i] = floats.Sum(row)
}
output = mat.NewDense(numRows, 1, data)
default:
return nil, errors.New("invalid axis, must be 0 or 1")
}
return output, nil
}实现前向流传进行预测
在训练完咱们的神经网络之后，咱们心愿应用它进行预测。为此，咱们只须要将一些给定的鸢尾花特征值输出到网络中进行前向流传，用来生成输入。
有点像反向流传逻辑，不同之处在于，这里咱们将返回生成的输入：
// predict makes a prediction based on a trained
// neural network.
func (nn *neuralNet) predict(x *mat.Dense) (*mat.Dense, error) {
// Check to make sure that our neuralNet value
// represents a trained model.
if nn.wHidden == nil || nn.wOut == nil {return nil, errors.New("the supplied weights are empty")
}
if nn.bHidden == nil || nn.bOut == nil {return nil, errors.New("the supplied biases are empty")
}
// Define the output of the neural network.
output := new(mat.Dense)
// Complete the feed forward process.
hiddenLayerInput := new(mat.Dense)
hiddenLayerInput.Mul(x, nn.wHidden)
addBHidden := func(_, col int, v float64) float64 {return v + nn.bHidden.At(0, col) }
hiddenLayerInput.Apply(addBHidden, hiddenLayerInput)
hiddenLayerActivations := new(mat.Dense)
applySigmoid := func(_, _ int, v float64) float64 {return sigmoid(v) }
hiddenLayerActivations.Apply(applySigmoid, hiddenLayerInput)
outputLayerInput := new(mat.Dense)
outputLayerInput.Mul(hiddenLayerActivations, nn.wOut)
addBOut := func(_, col int, v float64) float64 {return v + nn.bOut.At(0, col) }
outputLayerInput.Apply(addBOut, outputLayerInput)
output.Apply(applySigmoid, outputLayerInput)
return output, nil
}筹备特色和冀望数据
上面咱们须要筹备鸢尾花的特色和冀望数据，能够在加州大学官网下载：https://archive.ics.uci.edu/ml/datasets/iris
这里蕴含花瓣和花蕊的具体数据，以及这些样本所对应的花的品种，别离对应上文提到的山鸢尾（Iris Setosa）、维吉尼亚鸢尾（Iris Virginica）和 变色鸢尾（Iris Versicolour），留神鸢尾花品种程序分先后，别离对应上表中的数据。
开始训练
训练之前，须要装置基于 Golang 的浮点库：
go get gonum.org/v1/gonum/floats装置后之后，编写脚本：
package main
import (
"encoding/csv"
"errors"
"fmt"
"log"
"math"
"math/rand"
"os"
"strconv"
"time"
"gonum.org/v1/gonum/floats"
"gonum.org/v1/gonum/mat"
)
// neuralNet contains all of the information
// that defines a trained neural network.
type neuralNet struct {
config neuralNetConfig
wHidden *mat.Dense
bHidden *mat.Dense
wOut *mat.Dense
bOut *mat.Dense
}
// neuralNetConfig defines our neural network
// architecture and learning parameters.
type neuralNetConfig struct {
inputNeurons int
outputNeurons int
hiddenNeurons int
numEpochs int
learningRate float64
}
func main() {
// Form the training matrices.
inputs, labels := makeInputsAndLabels("data/train.csv")
// Define our network architecture and learning parameters.
config := neuralNetConfig{
inputNeurons: 4,
outputNeurons: 3,
hiddenNeurons: 3,
numEpochs: 5000,
learningRate: 0.3,
}
// Train the neural network.
network := newNetwork(config)
if err := network.train(inputs, labels); err != nil {log.Fatal(err)
}
// Form the testing matrices.
testInputs, testLabels := makeInputsAndLabels("data/test.csv")
// Make the predictions using the trained model.
predictions, err := network.predict(testInputs)
if err != nil {log.Fatal(err)
}
// Calculate the accuracy of our model.
var truePosNeg int
numPreds, _ := predictions.Dims()
for i := 0; i < numPreds; i++ {
// Get the label.
labelRow := mat.Row(nil, i, testLabels)
var prediction int
for idx, label := range labelRow {
if label == 1.0 {
prediction = idx
break
}
}
// Accumulate the true positive/negative count.
if predictions.At(i, prediction) == floats.Max(mat.Row(nil, i, predictions)) {truePosNeg++}
}
// Calculate the accuracy (subset accuracy).
accuracy := float64(truePosNeg) / float64(numPreds)
// Output the Accuracy value to standard out.
fmt.Printf("\nAccuracy = %0.2f\n\n", accuracy)
}
// NewNetwork initializes a new neural network.
func newNetwork(config neuralNetConfig) *neuralNet {return &neuralNet{config: config}
}
// train trains a neural network using backpropagation.
func (nn *neuralNet) train(x, y *mat.Dense) error {
// Initialize biases/weights.
randSource := rand.NewSource(time.Now().UnixNano())
randGen := rand.New(randSource)
wHidden := mat.NewDense(nn.config.inputNeurons, nn.config.hiddenNeurons, nil)
bHidden := mat.NewDense(1, nn.config.hiddenNeurons, nil)
wOut := mat.NewDense(nn.config.hiddenNeurons, nn.config.outputNeurons, nil)
bOut := mat.NewDense(1, nn.config.outputNeurons, nil)
wHiddenRaw := wHidden.RawMatrix().Data
bHiddenRaw := bHidden.RawMatrix().Data
wOutRaw := wOut.RawMatrix().Data
bOutRaw := bOut.RawMatrix().Data
for _, param := range [][]float64{
wHiddenRaw,
bHiddenRaw,
wOutRaw,
bOutRaw,
} {
for i := range param {param[i] = randGen.Float64()}
}
// Define the output of the neural network.
output := new(mat.Dense)
// Use backpropagation to adjust the weights and biases.
if err := nn.backpropagate(x, y, wHidden, bHidden, wOut, bOut, output); err != nil {return err}
// Define our trained neural network.
nn.wHidden = wHidden
nn.bHidden = bHidden
nn.wOut = wOut
nn.bOut = bOut
return nil
}
// backpropagate completes the backpropagation method.
func (nn *neuralNet) backpropagate(x, y, wHidden, bHidden, wOut, bOut, output *mat.Dense) error {
// Loop over the number of epochs utilizing
// backpropagation to train our model.
for i := 0; i < nn.config.numEpochs; i++ {
// Complete the feed forward process.
hiddenLayerInput := new(mat.Dense)
hiddenLayerInput.Mul(x, wHidden)
addBHidden := func(_, col int, v float64) float64 {return v + bHidden.At(0, col) }
hiddenLayerInput.Apply(addBHidden, hiddenLayerInput)
hiddenLayerActivations := new(mat.Dense)
applySigmoid := func(_, _ int, v float64) float64 {return sigmoid(v) }
hiddenLayerActivations.Apply(applySigmoid, hiddenLayerInput)
outputLayerInput := new(mat.Dense)
outputLayerInput.Mul(hiddenLayerActivations, wOut)
addBOut := func(_, col int, v float64) float64 {return v + bOut.At(0, col) }
outputLayerInput.Apply(addBOut, outputLayerInput)
output.Apply(applySigmoid, outputLayerInput)
// Complete the backpropagation.
networkError := new(mat.Dense)
networkError.Sub(y, output)
slopeOutputLayer := new(mat.Dense)
applySigmoidPrime := func(_, _ int, v float64) float64 {return sigmoidPrime(v) }
slopeOutputLayer.Apply(applySigmoidPrime, output)
slopeHiddenLayer := new(mat.Dense)
slopeHiddenLayer.Apply(applySigmoidPrime, hiddenLayerActivations)
dOutput := new(mat.Dense)
dOutput.MulElem(networkError, slopeOutputLayer)
errorAtHiddenLayer := new(mat.Dense)
errorAtHiddenLayer.Mul(dOutput, wOut.T())
dHiddenLayer := new(mat.Dense)
dHiddenLayer.MulElem(errorAtHiddenLayer, slopeHiddenLayer)
// Adjust the parameters.
wOutAdj := new(mat.Dense)
wOutAdj.Mul(hiddenLayerActivations.T(), dOutput)
wOutAdj.Scale(nn.config.learningRate, wOutAdj)
wOut.Add(wOut, wOutAdj)
bOutAdj, err := sumAlongAxis(0, dOutput)
if err != nil {return err}
bOutAdj.Scale(nn.config.learningRate, bOutAdj)
bOut.Add(bOut, bOutAdj)
wHiddenAdj := new(mat.Dense)
wHiddenAdj.Mul(x.T(), dHiddenLayer)
wHiddenAdj.Scale(nn.config.learningRate, wHiddenAdj)
wHidden.Add(wHidden, wHiddenAdj)
bHiddenAdj, err := sumAlongAxis(0, dHiddenLayer)
if err != nil {return err}
bHiddenAdj.Scale(nn.config.learningRate, bHiddenAdj)
bHidden.Add(bHidden, bHiddenAdj)
}
return nil
}
// predict makes a prediction based on a trained
// neural network.
func (nn *neuralNet) predict(x *mat.Dense) (*mat.Dense, error) {
// Check to make sure that our neuralNet value
// represents a trained model.
if nn.wHidden == nil || nn.wOut == nil {return nil, errors.New("the supplied weights are empty")
}
if nn.bHidden == nil || nn.bOut == nil {return nil, errors.New("the supplied biases are empty")
}
// Define the output of the neural network.
output := new(mat.Dense)
// Complete the feed forward process.
hiddenLayerInput := new(mat.Dense)
hiddenLayerInput.Mul(x, nn.wHidden)
addBHidden := func(_, col int, v float64) float64 {return v + nn.bHidden.At(0, col) }
hiddenLayerInput.Apply(addBHidden, hiddenLayerInput)
hiddenLayerActivations := new(mat.Dense)
applySigmoid := func(_, _ int, v float64) float64 {return sigmoid(v) }
hiddenLayerActivations.Apply(applySigmoid, hiddenLayerInput)
outputLayerInput := new(mat.Dense)
outputLayerInput.Mul(hiddenLayerActivations, nn.wOut)
addBOut := func(_, col int, v float64) float64 {return v + nn.bOut.At(0, col) }
outputLayerInput.Apply(addBOut, outputLayerInput)
output.Apply(applySigmoid, outputLayerInput)
return output, nil
}
// sigmoid implements the sigmoid function
// for use in activation functions.
func sigmoid(x float64) float64 {return 1.0 / (1.0 + math.Exp(-x))
}
// sigmoidPrime implements the derivative
// of the sigmoid function for backpropagation.
func sigmoidPrime(x float64) float64 {return sigmoid(x) * (1.0 - sigmoid(x))
}
// sumAlongAxis sums a matrix along a
// particular dimension, preserving the
// other dimension.
func sumAlongAxis(axis int, m *mat.Dense) (*mat.Dense, error) {numRows, numCols := m.Dims()
var output *mat.Dense
switch axis {
case 0:
data := make([]float64, numCols)
for i := 0; i < numCols; i++ {col := mat.Col(nil, i, m)
data[i] = floats.Sum(col)
}
output = mat.NewDense(1, numCols, data)
case 1:
data := make([]float64, numRows)
for i := 0; i < numRows; i++ {row := mat.Row(nil, i, m)
data[i] = floats.Sum(row)
}
output = mat.NewDense(numRows, 1, data)
default:
return nil, errors.New("invalid axis, must be 0 or 1")
}
return output, nil
}
func makeInputsAndLabels(fileName string) (*mat.Dense, *mat.Dense) {
// Open the dataset file.
f, err := os.Open(fileName)
if err != nil {log.Fatal(err)
}
defer f.Close()
// Create a new CSV reader reading from the opened file.
reader := csv.NewReader(f)
reader.FieldsPerRecord = 7
// Read in all of the CSV records
rawCSVData, err := reader.ReadAll()
if err != nil {log.Fatal(err)
}
// inputsData and labelsData will hold all the
// float values that will eventually be
// used to form matrices.
inputsData := make([]float64, 4*len(rawCSVData))
labelsData := make([]float64, 3*len(rawCSVData))
// Will track the current index of matrix values.
var inputsIndex int
var labelsIndex int
// Sequentially move the rows into a slice of floats.
for idx, record := range rawCSVData {
// Skip the header row.
if idx == 0 {continue}
// Loop over the float columns.
for i, val := range record {
// Convert the value to a float.
parsedVal, err := strconv.ParseFloat(val, 64)
if err != nil {log.Fatal(err)
}
// Add to the labelsData if relevant.
if i == 4 || i == 5 || i == 6 {labelsData[labelsIndex] = parsedVal
labelsIndex++
continue
}
// Add the float value to the slice of floats.
inputsData[inputsIndex] = parsedVal
inputsIndex++
}
}
inputs := mat.NewDense(len(rawCSVData), 4, inputsData)
labels := mat.NewDense(len(rawCSVData), 3, labelsData)
return inputs, labels
}代码最初将测试集数据导入，并且开始进行预测：
// Form the testing matrices.
testInputs, testLabels := makeInputsAndLabels("data/test.csv")
fmt.Println(testLabels)
// Make the predictions using the trained model.
predictions, err := network.predict(testInputs)
if err != nil {log.Fatal(err)
}
// Calculate the accuracy of our model.
var truePosNeg int
numPreds, _ := predictions.Dims()
for i := 0; i < numPreds; i++ {
// Get the label.
labelRow := mat.Row(nil, i, testLabels)
var prediction int
for idx, label := range labelRow {
if label == 1.0 {
prediction = idx
break
}
}
// Accumulate the true positive/negative count.
if predictions.At(i, prediction) == floats.Max(mat.Row(nil, i, predictions)) {truePosNeg++}
}
// Calculate the accuracy (subset accuracy).
accuracy := float64(truePosNeg) / float64(numPreds)
// Output the Accuracy value to standard out.
fmt.Printf("\nAccuracy = %0.2f\n\n", accuracy)程序输入：
&{{31 3 [0 1 0 1 0 0 1 0 0 0 1 0 0 1 0 0 0 1 1 0 0 1 0 0 1 0 0 0 1 0 0 0 1 0 0 1 1 0 0 0 0 1 0 0 1 0 0 1 0 0 1 0 1 0 0 0 1 1 0 0 1 0 0 0 1 0 1 0 0 0 0 1 0 0 1 1 0 0 1 0 0 0 1 0 0 0 1 0 0 1 0 0 0] 3} 31 3}
Accuracy = 0.97能够看到，一共 31 个测试样本，只错了 3 次，成功率达到了 97%。
当然，就算是本人实现的小型神经网络，预测后果正确率也不可能达到 100%，因为机器学习也是基于概率学领域的学科。
为什么应用 Golang？
事实上，大部分人都存在这样一个刻板影响：机器学习必须要用 Python 来实现。就像前文所提到的，机器学习和 Python 语言并不存在因果关系，咱们应用 Golang 同样能够实现神经网络，同样能够实现机器学习的流程，编程语言，仅仅是实现的工具而已。
但不能否定的是，Python 以后在人工智能畛域的很多细分方向都有比拟宽泛的利用，比方自然语言解决、计算机视觉和机器学习等畛域，然而并不意味着人工智能研发肯定离不开 Python 语言，实际上很多其余编程语言也齐全能够代替 Python，比方 Java、C++、Golang 等等。
机器学习相干业务之所以大量应用 Python，是因为 Python 有着极其丰富的三方库进行反对，可能让研发人员把更多的精力放在算法设计和算法训练等方面，说白了，就是不必反复造轮子，进步研发团队整体产出的效率，比方面对基于 Python 的 Pytorch 和 Tensorflow 这两个颠扑不破的深度学习巨石重镇，Golang 就得败下阵来，没有任何劣势可言。
所以，单以人工智能生态圈的凋敝水平而论，Golang 还及不上 Python。
结语
至此，咱们就应用 Golang 实现了一个小型神经网络的实现，并且解决了一个实在存在的分类问题。那么，走完了整个流程，咱们应该对基于神经网络架构的机器学习过程有了一个大略的理解，那就是机器学习只能解决能够被解决的问题，有教训或者相干常识储备的人类通过肉眼也能辨认鸢尾花的品种，机器学习只是帮咱们进步了辨认效率而已，所以，如果还有人在你背后吹牛他可能用机器学习来预测 A 股价格赚大钱，那么，他可能对机器学习存在误会，或者可能对 A 股市场存在误会，或者就是个纯骗子，三者必居其一。
正文完
