天津静海“直通进区”监管模式让商户和老百姓得到实惠

1   复习：ML的智慧表达形式

上一期说明了人工智能（AI）（ML，机器学习）的推论技能，和其基于事物或现象之间的关联性( 或称相关性)。例如，大家都熟悉气候的运行规律：春暖 → 夏暑 → 秋凉 → 冬寒 → 春暖 → …。四季更替、周而复始，如图1 所示。这项人类已知的智慧( 即关联性)，就可以让机器( 计算机) 来学习、记忆它，然后依据它进行推论或预测。

图1 四季更替规律

于是，我们把这项关联性( 知识) 排列在Excel 画面上，从X 对应到Y( 参见图2)。在上一期里已经介绍过独热编码(OHE，One-Hot Encoding)，这样就可以让机器来学习人类已知的智慧了。

图2 四季的关联性示意

此时， 机器会建立两组神经元之间的连结(Connection)，并且赋予一个权重(Weight) 值来表示它所学习到的关联性，参见图3。接下来，按下“学习”按钮，就展开机器学习，来记春暖([1000]) 与夏暑([0100])之间的相生关系。于是权重( 值) 就会发生变化，如图4 所示。

图3 学习的关联性

图4 里的线条宽度表示权重( 值) 的大小。这样就记住了春暖与夏暑之间的关联性了。那么，ML 就藉此神经网络就继续学习更多关联性，例如学习并记住了上述的所有关联性了，如图5 所示。并且输出于Excel 画面上，如图6 所示。

图4 权重值的变化

图5 机器学习的关联性变化

图6 权重的变化关联

以上帮您复习了，如何展开机器学习，来记住事物之间的关联性。

2   扩大：欣赏ML的时序性推论技能

在本节里，来举大家也熟悉的唐诗韵律，说明其时序性的关联性。例如，最典型的五言诗韵律：“仄仄平平仄， 平平仄仄平”。其中具有时间顺序性的关联性，所以称之为韵律。此韵律里包含两项名目：“平”和“仄”。于是就采取OHE 编码：以^[10] 代表“平”；并以[01]代表“仄”。接下来，我们可以观察到其中的各种时间顺序性的关联性。例如，从连续两个字的韵律，就能推论出第3 个字的韵律( 平或仄)。例如，连续两字的韵律是“仄仄”，其后续字的韵律是“平”。再如，连续两字的韵律是“平仄”，其后续字的韵律是“仄”，如图7 所示。

图7 平仄推理的关联性

于是，我们把上述的关联性排列在Excel 画面上，从X[] 对应到Y[]。并且按下“学习”按钮，机器就迅速学习，以权重值来表示其关联性，如图8 所示。

图8 平仄权重的变化

这些权重代表这些相关事物的连结，如图9 所示。ML 利用这个神经网络(NN) 模型，来记住其关联性。基于这个模型里的权重，就能进行推论。例如，您问它：连续两字的韵律是“平仄”的话，其后续字的韵律是什么呢? 此时，ML 立即取出记忆中的权重来计算，其计算公式是：X[] * W[] = Y[]。就计算出Y[] 值是：[0.5, 1.5]，最接近于[0, 1]，意味了是韵律“仄”，如图10 所示。

图9 权重关联性示意

图10 平仄权重关联变化

由于“平仄仄”是有时序性的关联，我们就称之为时序性的推论。同样地，一个句子“寒江雪”三个字之间也有时序性关联。ML 也能利用神经网络(NN) 模型，来记住其关联性。这句子里包含三项名目：“寒”、“江”和“雪”。于是就采取OHE 编码：以 [100] 代表“寒”；以[010] 代表“江”；以[001] 代表“雪”。其中最基本的时序性关联是：

●   第1 个字是“寒” → 后续的字是“江”；

●   第1 个字是“寒”，且第2 个字是“江” → 后续的字是“雪”。

于是，我们把上述的关联性排列在Excel 画面上，从X[] 对应到Y[]。并且按下“学习”按钮，机器就迅速学习，以权重值来表示其关联性，如图11 所示。

图11 学习推论的示意

ML 学习完成了，就记住其关联性，并能进行推论。例如，按下“推论”按钮，就出现“江”( 图12)。再按下“推论”按钮，就出现“雪”( 图13)。

图12 江字后的推论

图13 雪字后的推论

这展现了ML 进行时序性推论的技能。

3   一次学习多个语句

刚才学习了一个句子“寒江雪”。现在，可增添更多的语句，让机器学习更多。例如，一次学习两句子“寒江雪”和“江南曲”。ML 也能利用神经网络(NN)模型，来记住其关联性。这两个句子里包含5 项名目“寒”、“江”、“雪”、“南”和“曲”。分别给予一个OHE 编码。其中最基本的时序性关联是：

●   第1 个字是“寒” → 后续的字是“江”；

●   第1 个字是“寒”，且第2 个字是“江” → 后续的字是“雪”；

●   第1 个字是“江” → 后续的字是“南”；

●   第1 个字是“江”，且第2 个字是“南” → 后续的字是“曲”。

于是，我们把上述的关联性排列在Excel 画面上，从X[] 对应到Y[]。并且按下“学习”按钮，机器就迅速学习，以权重值来表示其关联性，如图14 所示。

图14 全句学习权重和推论示意

ML 学习完成了，就记住其关联性，并能进行推论。例如，按下“推论”按钮，就出现“南”。再按下“推论”按钮，就出现“曲”，如图15 所示。

图15 曲字后的推论示意

这展现了ML 可以同时学习更多语句，并进行时序性推论。

4   结语

从大数据中探索潜藏的关联性，是ML 的亮丽技能。在本节里，展现了ML 在时序性规律的学习、表达和推论。基于这项技能，还有更多有趣的应用，期待您继续来欣赏。

（本文来源于《电子产品世界》杂志2022年2月期）