7.2　神经网络实现及和TensorFlow的对比

如图7-4所示，代码（chapter6_Create_AI_Framework版本的Neuron_Network_Entry.py）在只有1个隐藏层（Neuron_Network_Entry.py, hidden_layers=[3]）的情况下，现在把时代从Epoch=10 000调整为Epoch=100 000，再次运行Neuron_Network_Entry.py，当运行到约28 700次的时候，发现运行结果达到了极限，误差值为0.160 314 984 681 597 44，之后误差值不再变化。将Neuron_Network_Entry.py程序停止运行。

在改进以后的代码（Artificial_Intelligence_Framework_Main.py）中修改时代的次数为10万次，即epoch=100 000，在Spyder界面右侧的Console页面中输出结果有两列，第一列是运行了多少次时代，第二列是计算的损失度值。随着运行的不断进行，损失度逐渐减小，这是损失度变化的核心趋势，运行结果如图7-5所示。

图7-4　运行到28 700次时代时的误差值

图7-5　损失度计算结果

这里运行10万次，运行次数相对比较多，当时代运行到59 700次的时候，损失度达到了0.000 100 172 235 589 972 6；继续运行，误差就达到了约0.000 01的精确度，这里9.999 915 058 051 979e–05使用了科学记数法的显示方式。当运行到10万次的时候，我们看一下损失度将达到什么程度，以及预测值是否接近实际值。最终运行结果如图7-6所示。

图7-6　时代运行10万次时的结果

运行结果是一个非常漂亮的结果！当第一行的实际值是0的时候，第一行的预测值是0.014 324 214 519 085 965；当第四行的实际值是0的时候，第四行的预测值是0.002 130 684 481 578 583；预测值已经非常非常接近实际值了。当第二行的实际值是1.0的时候，第二行的预测值是0.987 457 410 476 435 4；当第三行的实际值是1.0的时候，第三行的预测值是0.989 787 562 167 221 4，可以认为是0.99，已达到惊人的精确度。从阅读TensorFlow、PyTorch源代码的经验来看，盘古人工智能框架走过的路是最具技术含量的路。实际案例将比盘古人工智能框架的内容简单，例如，信用卡如何防止反欺诈，金融贷款的时候如何防止非法操作，推出产品如何判断用户的星级评价（一～五星级）。在判断用户评价的案例中，星级评价比用户是否喜欢这个商品的难度更大。