ai编程自学教程(2小时就能写出属于自己的代码)

我们都知道，神经网络下围棋能赢柯洁、读X光照片好过医生、就连文本翻译上也快超过人类了……其实在写代码方面，神经网络也丝毫不落下风……用Linux源代码训练2小时，一个递归神经网络就能重写好它自己的代码，这是不是比程序员学得还快？

为了帮你一窥究竟，AI100（ID:rgznai100）对开发者Thibault Neveu的这篇文章做了编译，手把手教你做一个这样的神经网络。

我认这很疯狂。开发者让神经网络学会了自己编程来重写它自己代码！好吧，咱们也试。

预备条件

Tensorflow + 基本的深度学习技能
我会在本文中快速回顾一下递归神经网络。但是，如果你对这个课题不甚了解，我相信以下两个资源能让你弄懂递归神经网络：

我不会在本文中详解本项目的所有环节。但我会仔细阐述其中的基本要点来让你理解整个项目。花点时间，亲手运行下文中给出的每一段代码，理解其中的逻辑。这很重要，毕竟，实践出真知。

接下来是正题，让我们开始吧！

数据库

跟其他监督训练一样，我们需要为神经网络提供一个数据集。这里我们使用C语言（如果用太简单的语言，就不好玩了）。我们直接用Linux github代码库中的c语言脚本作为训练数据。我已经把我们会用到的.c代码提取到本项目中。

首要问题：如何表示数据？

神经网络只能用于处理数字。对于其他形式的数据，它就无能为力了。因此，数据集中的每个字符都需要被翻译成这种形式（每个数字对应一个字符）。

示例：把字符转换为整数（int）

举例来说，这里用数字7表示字符“=”。为了在反向传播期间获得更好的收敛性，我们稍后会在独热编码(One-Hot Encoding)编码中表示每个数字。

# List all file in the dataset directory

all_file = os.listdir(\”dataset\”)

# Filter : Select only c file

all_file_name = np.array([f for f in all_file if f.find(\”.c\”) != -1])

content = \”\”

for name in all_file_name:

with open(os.path.join(\”dataset\”, name), \”r\”) as f:

content += f.read() + \”\\n\”

# Convert the string into a list of interger

vocab = set(content)

vocab_to_int = {c: i for i, c in enumerate(vocab)}

int_to_vocab = dict(enumerate(vocab))

encoded = np.array([vocab_to_int[c] for c in content], dtype=np.int32)

这里，需要记住的三个重要变量是：vocab_to_int、int_to_vocab和encoded。前两个变量是让我们能够字符和整数间随意转换。最后的变量是用编码器的形式来表示所有数据。（均已转换为数字）

第一个批函数

首先创建一个简单的批处理：由两个输入序列构成，每个序列10个数字。这一批处理将作为下文字符处理的一个示例。

batch = {

\”x\” : [

encoded[:10],

encoded[20:30]

],

\”y\” : [

encoded[1:11],

encoded[21:31]

]

}

Batch Inputs :

[20 6 58 27 6 27 97 86 56 49]

[ 36 32 32 37 27 12 94 60 89 101]

Batch Targets :

[ 6 58 27 6 27 97 86 56 49 57]

[ 32 32 37 27 12 94 60 89 101 77]

这就是批函数所处理的内容，翻译成字符如下：

[\’/\’, \’*\’, \’\\n\’, \’ \’, \’*\’, \’ \’, \’C\’, \’o\’, \’p\’, \’y\’]

[\’2\’, \’0\’, \’0\’, \’4\’, \’ \’, \’E\’, \’v\’, \’g\’, \’e\’, \’n\’]

现在，我们需要来处理一些数值。我们希望神经网络能够在上一个字符\”n\”已知的条件下预测出下一个字符。而且，不只是上一个字符。如果我告诉神经网络上一个字符是“e” ，下一个字符的可能性空间会非常大。但如果我能告诉神经网络前几个字符分别是 “w” 、“h”、 “i” 、“l” 和 “e” ，下一个要输入的字符很显然就是“(“。

因此，我们必须构建一个能够考虑字符时间间隔的神经网络。这就是递归神经网络。

递归神经网络？

为说明上述实例，我们用一个典型的分类器（上图左侧）来处理上一个字符；它被传递出蓝色的隐含层后，分类器就能推断出结果。递归神经网络在结构上则不同。每个红色的隐含层“细胞”不仅与输入相连，还与前一个“细胞”（instant t-1）相连。为了解决这里的问题，我们的“细胞”内部使用长短期记忆（LSTM）网络。

请花点时间来理解递归神经网络的原理，这样才能充分理解接下来的代码。

构建模型！

Tensorboard图

接下来的内容，我们将详述这一神经网络的5大部分。占位符在这里用作模型的一个入口。LSTM神经元初始化后用于生成递归神经网络。

输出层各自相连，用于估量模型的误差。最后，我们会定义训练内容。

1）图形输入

with tf.name_scope(\”graph_inputs\”):

inputs = tf.placeholder(tf.int32, [2, 10], name=\’placeholder_inputs\’)

targets = tf.placeholder(tf.int32, [2, 10], name=\’placeholder_targets\’)

keep_prob = tf.placeholder(tf.float32, name=\’placeholder_keep_prob\’)

这个批处理由两个大小为10的输入序列构成，因此输入的预期特征是[2, 10]，批处理的每个入口都与单一输出相关联，目标的特征定义与此相同。最后，我们定义了一个用作概率值的占位符，用以表示后面的退出率（dropout）。

2）LSTM

with tf.name_scope(\”LSTM\”):

def create_cell():

lstm = tf.contrib.rnn.BasicLSTMCell(4)

drop = tf.contrib.rnn.DropoutWrapper(lstm, output_keep_prob=keep_prob)

return drop

cell = tf.contrib.rnn.MultiRNNCell([create_cell() for _ in range(3)])

initial_state = cell.zero_state(2, tf.float32)

io_size = len(vocab)

x_one_hot = tf.one_hot(inputs, io_size)

cell_outputs, final_state = tf.nn.dynamic_rnn(cell, x_one_hot, initial_state=initial_state)

让我们来学习这份代码的每一部分：

create_cell() 用于生成由4个隐神经元所构成的LSTM神经元。在返回结果前，该函数还在cell输出中添加了一个退出项（dropout）。
tf.contrib.rnn.MultiRNNCell用于实例化递归神经网络。我们把给出的create_cell()数组作为参数，是因为我们希望得到由多层网络构成的递归神经网络。本例为三层。
initial_state：已知递归神经网络的每个神经元都依赖于先前的状态，因此我们必须实例化一个全是零的初始状态，它将作为批处理首批入口的输入。
x_one_hot将batch转化为独热编码。
cell_outputs给出递归神经网络每个细胞的输出。在本例中，每个输出由4个数值（隐神经元个数）构成。
final_state返回最后一个细胞的状态，在训练期间可用作下一批处理的最新初始状态（假设下一个批处理是上一个批处理的逻辑延续）。

3）图形输出

with tf.name_scope(\”graph_outputs\”):

seq_output_reshape = tf.reshape(cell_outputs, [-1, 4], name=\”reshape_x\”)

with tf.name_scope(\’output_layer\’):

w = tf.Variable(tf.truncated_normal((4, io_size), stddev=0.1), name=\”weights\”)

b = tf.Variable(tf.zeros(io_size), name=\”bias\”)

logits = tf.add(tf.matmul(seq_output_reshape , w), b, name= \”logits\”)

softmax = tf.nn.softmax(logits, name=\’predictions\’)

细胞的输出值被储存在一个三维特征表内[序列数，序列大小，神经元数]，或为 [2, 10, 4]。我们无需按序列来分离输出。然后，改变输出值的维度以储存在seq_out_reshape的数组[20, 4]内。

最后，使用一个简单的线性运算：tf.matmul (..) + b。最后以softmax结尾，为的是用概率形式来表示输出。

4）损失

with tf.name_scope(\”Loss\”):

y_one_hot = tf.one_hot(targets, io_size, name=\”y_to_one_hot\”)

y_reshaped = tf.reshape(y_one_hot, logits.get_shape(), name=\”reshape_one_hot\”)

loss = tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=y_reshaped)

loss = tf.reduce_mean(loss)

为进行误差运算，我们的批处理目标必须要表示成跟模型输出值相同的方法和维度。使用与输入相同的编码方式，我们用tf.one_hot来表示输出值。然后将数组tf.reshape ()的维度重写为与tf.matmul (..) + b的线性输出一样。而后，我们就可以用该函数来计算模型的误差。

5）训练

with tf.name_scope(\”train\”):

adam = tf.train.AdamOptimizer(0.0001)

optimizer = adam.minimize(loss)

我们简单用AdamOptimize来最小化误差。

结果！

这是最值得庆祝的环节：训练结果。我所用到的参数如下：

序列大小：100
批处理大小：200
每个细胞的神经元数： 512
递归神经网络深度：2
学习速度：0.0005
Dropout：0.5

在我的GPU(GeForce GTX 1060)上训练大约两小时后，所得结果如下图所示：

我们先来观察误差的变化：

最后，我们来阅读模型所生成的代码：

static int super_fold(struct mddev *mddev, void __user * *rd)

{

struct md_rdev *rdev;

if (!tryet & gcov_ntreef(*stint)) {

if (gc_th->max_sectors)

if (task)

goto next_start;

if (!list_empty(&mddev->disks) {

if (mddev->dev_sectors == 0 ||

mddev->chunk_sectors == 0 && mddev->minor_version !=

mddev->max_disks && mddev->dev_sectors

rdev2->rescan_recovnr != 0)

rdev->recovery_offset = mddev->curr_resync_completed;

}

}

}