从锅炉工到AI专家(2)

大数据

上一节说到，大多的AI问题，会有很多个变量，这里深入的解释一下这个问题。

比如说某个网站要做用户行为分析，从而指导网站建设的改进。通常而言如果没有行为分析，并不需要采集用户太多的数据。

比如用户注册，最少只需要用户名、用户密码就够了。随后比如为了当用户过生日的时候，自动给用户发送一封贺卡（潜台词，我们可能需要给用户推送广告），我们再增加两项生日日期和邮箱地址。再下来国家规定网站注册必须实名制，我们可能又增加了用户姓名和身份证号码，可能还需要增加用户手机号码，用于同移动通信部门打通，验证用户实名制的真实性。这样一共是七个数据字段（仅为示例，事实比本例肯定要复杂很多倍）。

随后通过网站的运营，用户数不断增加，到了某一天，网站的技术人员发现，数据量太大了，并发也太高了，一组服务器已经无法负担网站的运营。最重要其中的基础数据库也变得太大，系统无法容纳，需要分库、集群的新技术，才能保证网站的运营。

从网站的运维来讲，这的确是一项重要的技术改进。但从“机器学习”的角度看，这些数据量的变化，并没有什么不同，可能在算法上，也不需要有太大的改变。所以严格上讲，这样的数据管理，还不能叫大数据。

我们继续向下看，为了进行用户行为的分析。我们还要增加很多用户数据的采集点。比如用户每次访问网页的IP地址、用户的点击习惯、每个页面停留的时间、在页面上习惯点哪些位置的链接、操作上有什么习惯、用户的设备是什么型号、用户每次上网在什么时间段，这样需要关注的数据，我们还能列出很多。甚至可能会付费去第三方的公司购买很多其它的信息，比如我的用户还喜欢在什么网站停留，停留在其它网站的时候关注了什么内容，最近购买了什么东西等等信息。

这些信息有下面几个特点：

并不是简单的信息表长度增长了，而是每行信息关注的维度大大的增加了，也就是信息表变宽了。
随着维度的增加，总体的数据量可能会激增，很少的用户数，就需要利用到集群、并发等多种处理方式来解决压力问题。
这些增加的维度，由于数量的增加，基本只能考虑用机器学习的方式，由计算机自动完成处理，分析其中的规律。

还有一些数据，天生就是多维的，比如图片识别。每幅图片，数字化保存到电脑之后，很可能是一大笔数据，比如某副照片320x240分辨率，那就相当于320x240x(RGB 3色)=230400维的一个数据集。这个在后面讲到具体案例的时候还会说到。

梯度下降法解线性回归方程

在数据维度非常多的时候，也就是我们的方程可能有n个变量（n值很大）的时候，原有的公式、解法都已经失效了。可能是计算量过大导致速度无法接受，也可能是空间需求太大导致我们的计算机无法做到，所以我们需要有新的办法来完成解方程----也就是机器学习的过程。

梯度下降法是我们常用的一种方式，实际上这种算法包括其针对性或者改进型算法有很多种，应当称为梯度下降法家族。比如批量梯度下降法（BGD)、随机梯度下降法（SGD)、小批量梯度下降法（MBGD)等。

这是统计学家和经济学家在大量数据分析过程中常用的手段，所以其实早期的机器学习专家往往也是来自于统计专业。

在大多机器学习的课程中，对梯度下降法及相关算法的讲解是最重要的一部分，但现在情况有所改变。TensorFlow以及其它一些流行框架，已经内置了函数用于运行梯度下降法及其它常用算法，技术人员即便不了解这些知识，也能够上手机器学习项目。所以原本我计划略去这部分算法的细节。但发现实际上还是不能，因为我看到了很多在TensorFlow官方样例运行很好，但到了具体项目中就失败的例子，归根结底还是对算法本身了解太少，碰到问题不知道如何下手解决。

所以几经修改，我决定既不略去，也不再作为重点。这里用伪代码的方式来简略描述一下这个算法的工作流程：

首先定义好我们的公式，比如前面提到的房价公式是y = Θ0 * x + Θ1,方便起见，我们这里称这个公式为：y'=fj(x)
我们定义一个代价函数（Cost function)，用于表示真实房价与我们计算房价差的绝对值，这里记为：abs(y-y’)。这里我们省去梯度下降法的公式推导过程，最终的推导结果我们记为J(Θ0,Θ1)，你只需要知道，这个跟上面说的预测房价合真实房价之差是等价的。这个代价函数的值越小，表示我们要求的方程越接近真实解。注意x/y都是我们手中资料库中已有的数据集，我们想用这些已有的数据集，来得出原来公式中Θ0/Θ1两个常量的值，从而完成方程求解，也就是“机器学习”的过程。
我们随机为Θ0/Θ1取一个初始值。
利用Θ0/Θ1的当前值，带入一组当前已有的数据x，利用公式fj(x)求得一个房价值，记为y'，同时跟样本中的真实y值一起计算代价函数的值。
通过梯度下降步长alpha,带入梯度下降公式，得到一组新的Θ0/Θ1，并以此带入fj(x)计算新的y'，然后计算新的代价函数值。（梯度下降公式有兴趣请查看链接资料）
重复步骤5，直到得到一个最小的代价函数值，此时的Θ0/Θ1取值就是我们要求解的值。
这里的讲解，把先前的常量a/b替换成了Θ0/Θ1，原因是，我们将来的参数集可不会只有两个这么少，可能是n个，希望你明白这里只是在降维模拟一个过程。

这张图描述了梯度下降法解方程的过程。需要说明的是图中手绘的部分，就是我们一开始随机取了初始值，也就是初始点，然后逐步的梯度下降，直到代价函数值最小的时候，得到两个未知数的解。

同时从图中可以看出来，因为初始值的不同及步长的不同，梯度下降法很可能会陷入某个局部最小值，这时候梯度下降法因为已经最小，向周围任何一点继续都无法得到更小的代价函数值，从而终止了继续求解。但实际上离最优解还有很大差距.下面这张图是降维到2维的一张示意图，可以看的更清楚：

图中的G点是最优解，A/B/C/D点都是局部最优解。当我们的变量很多的时候，很高的维度使得获取全局最优解往往是很不容易的。

陷入局部最优解的时候实际上只有这样几个选择：1.随机产生另外一组初始值，同时增加尝试求解过程的次数，从而得到不同的解，取其中最好的值；2.变更梯度下降步长；3.变更或者优化算法。

局部最优解是《机器学习》算法调优重点之一

具体的算法本身是纯粹的数学问题，有网友收集、撰写的参考资料在最下面的参考链接里面，写的很不错。我建议有志于算法研究的朋友一定仔细阅读。刚才说了，实际上在很多《机器学习》课程中，这部分占了相当的篇幅，可见其重要性。从这个角度上说，现代机器学习的框架一方面降低了学习的门槛，不需要懂梯度下降法也能使用机器学习，另外一方面，是不是也就此屏蔽了很多人真正上升的空间呢？

第一个练习，我们先深入一下

行文这么长了，终于要进入TensorFlow的世界。估计你读的很辛苦，我尽力用非专业的语言来解释很多基础的概念和来龙去脉，忍得也很辛苦。

在正式例子之前，再补充一个“机器学习”的重要概念，数据“规范化”。

我们注意到了，为了进行“机器学习”，我们从很多维度获取相关数据，建立复杂的数学模型，以求得到比较好的结果。

但这些方方面面的数据，差别非常大，比如有价格因素，取值范围很可能是几千到上亿；也很可能是面积因素，取值几十到几百。将来还可能有朝向因素，如果把方向数字化，可能不过是1-4；类似的还很多，比如楼层数。

总的来说，这些数字如此大的量级差距，在一个试图建立较为通用(注：后面还会对“较为通用”这个词再详细解释)的数学化公式的算法中，会对结果产生不可估量的影响。比如面积多1平米或者少1平米，本来应当对最终房价有很大的影响。但对于同样的数字，计算机并不理解这个数量级跟另外一个参数数量级之间的差别，它看起来增加1平米跟增加1块钱是一样的。最后的结果，不可避免的会倾向数字大的参数所导致的影响，从而让计算结果完全不可用。

因此，所有采集到的数据在真正进入运算之前，首先要规范化，比较通用的规范化方式，是计算某个具体值在该参量取值范围中的比例值，让最终的结果是0-1之间的浮点小数，这样可以保证所有的参量，最终是工作在同一个量级维度上，从而保证结果的正确性。

数据的“规范化”，是影响“机器学习”精度的重要因素，绝对不可省略。

终于可以进入源代码部分了，我习惯于在代码中加入详细的注释让你做到每一行都看懂，我认为这是重要的学习手段之一。

源码中随机生成了100套住房面积和对应价格的数据集，然后通过TensorFlow使用内置的梯度下降法解出每平米价格及基础费用两个系数。在这里要求读者已经有python的基础知识，因为至少当前，机器学习的首选语言还是python。

#!/usr/bin/env python

# -*- coding=UTF-8 -*-

#本代码在mac电脑，python2.7环境测试通过

#第一行是mac/Linux系统脚本程序的标志，表示从环境参量中寻找python程序解释器来执行本脚本

#省去了每次在命令行使用 python <脚本名> 这样的执行方式

#第二行表示本脚本文本文件存盘使用的代码是utf-8,并且字符串使用的编码也是utf-8,

#在本源码中，这一点其实没有什么区别，但如果需要中文输出的时候，这一行就必须要加了。

#引入TensorFlow库

import tensorflow as tf

#引入数值计算库

import numpy as np

#使用 NumPy 生成假数据集x,代表房间的平米数，这里的取值范围是0-1的浮点数，

#原因请看正文中的说明，属于是“规范化”之后的数据

# 生成的数据共100个，式样是100行，每行1个数据

x = np.float32(np.random.rand(100,1))

#我们假设每平米0.5万元，基础费用0.7万，这个数值也是规范化之后的，仅供示例

#最终运行的结果，应当求出来0.5/0.7这两个值代表计算成功

#计算最终房价y，x和y一同当做我们的样本数据

# np.dot的意思就是向量x * 0.5

y = np.dot(x,0.5) + 0.7

#---------------------------------数据集准备完成

#以下使用TensorFlow构建数学模型，在这个过程中，

#直到调用.run之前，实际上都是构造模型，而没有真正的运行。

#这跟上面的numpy库每一次都是真正执行是截然不同的区别

# 请参考正文，我们假定房价的公式为：y=a*x+b

#tf.Variable是在TensorFlow中定义一个变量的意思

#我们这里简单起见，人为给a/b两个初始值，都是0.3，注意这也是相当于规范化之后的数值

b = tf.Variable(np.float32(0.3))

a = tf.Variable(np.float32(0.3))

#这是定义主要的数学模型，模型来自于上面的公式

#注意这里必须使用tf的公式，这样的公式才是模型

#上面使用np的是直接计算，而不是定义模型

# TensorFlow的函数名基本就是完整英文，你应当能读懂

y_value = tf.multiply(x,a) + b

# 这里是代价函数，同我们文中所讲的唯一区别是用平方来取代求绝对值，

#目标都是为了得到一个正数值，功能完全相同，

#平方计算起来会更快更容易,这种方式也称为“方差“

loss = tf.reduce_mean(tf.square(y_value - y))

# TensorFlow内置的梯度下降算法，每步长0.5

optimizer = tf.train.GradientDescentOptimizer(0.5)

# 代价函数值最小化的时候，代表求得解

train = optimizer.minimize(loss)

# 初始化所有变量，也就是上面定义的a/b两个变量

init = tf.global_variables_initializer()

#启动图

sess = tf.Session()

#真正的执行初始化变量，还是老话，上面只是定义模型，并没有真正开始执行

sess.run(init)

#重复梯度下降200次，每隔5次打印一次结果

for step in xrange(0, 200):

    sess.run(train)

    if step % 5 == 0:

        print step, sess.run(loss),sess.run(a), sess.run(b)

随后我们看看上面脚本运行的结果：

0 0.017659416 0.56524247 0.7991155

5 4.084394e-06 0.50660795 0.6963032

10 1.9465895e-06 0.5046281 0.697532

15 9.344591e-07 0.50320655 0.69828993

20 4.4858396e-07 0.5022217 0.69881517

25 2.1534281e-07 0.5015393 0.69917905

30 1.0337125e-07 0.5010665 0.6994312

35 4.9617547e-08 0.5007389 0.69960594

40 2.3823773e-08 0.500512 0.69972694

45 1.1437169e-08 0.50035477 0.6998108

50 5.4911653e-09 0.5002458 0.6998689

55 2.6369513e-09 0.50017035 0.69990915

60 1.2654721e-09 0.500118 0.69993705

65 6.075896e-10 0.5000818 0.69995636

70 2.9137154e-10 0.5000566 0.69996977

75 1.4008027e-10 0.5000393 0.69997907

80 6.7331245e-11 0.50002724 0.69998544

85 3.2336054e-11 0.5000189 0.6999899

90 1.5535804e-11 0.5000131 0.699993

95 7.4518525e-12 0.50000906 0.69999516

100 3.5502267e-12 0.50000626 0.69999665

105 1.648246e-12 0.5000043 0.6999977

110 8.017054e-13 0.500003 0.6999984

115 3.877787e-13 0.5000021 0.6999989

120 1.8626878e-13 0.50000143 0.6999992

125 8.9173115e-14 0.500001 0.69999945

130 4.515499e-14 0.5000007 0.69999963

135 2.1138646e-14 0.5000005 0.69999975

140 1.20437e-14 0.50000036 0.6999998

145 1.20437e-14 0.50000036 0.6999998

150 1.20437e-14 0.50000036 0.6999998

155 1.20437e-14 0.50000036 0.6999998

160 1.20437e-14 0.50000036 0.6999998

165 1.20437e-14 0.50000036 0.6999998

170 1.20437e-14 0.50000036 0.6999998

175 1.20437e-14 0.50000036 0.6999998

180 1.20437e-14 0.50000036 0.6999998

185 1.20437e-14 0.50000036 0.6999998

190 1.20437e-14 0.50000036 0.6999998

195 1.20437e-14 0.50000036 0.6999998

因为数据集是随机产生的，所以上面结果每次运行都会不同，但基本上在150步以内都能有效收敛，请看打印出来的两个结果值，也是很令人满意的。

(待续...)

引文及参考

大数据与多维度

 多元线性回归模型公式

 梯度下降法

(原创博文，谢绝一切商业转载，个人转载请注明出处。)