神经网络入门四.docVIP

神经网络入门连载之四 游戏编程中的人工智能技术. 神经网络入门 . (连载之四) ? ? 4.4? CNeuralNet.h（神经网络类的头文件） ?　　在CNeuralNet.h 文件中，我们定义了人工神经细胞的结构、定义了人工神经细胞的层的结构、以及人工神经网络本身的结构。首先我们来考察人工神经细胞的结构。 4.4.1? SNeuron（神经细胞的结构） 　　?这是很简单的结构。人工神经细胞的结构中必须有一个正整数来纪录它有多少个输入，还需要有一个向量std:vector来表示它的权重。请记住，神经细胞的每一个输入都要有一个对应的权重。 Struct SNeuron{???? // 进入神经细胞的输入个数???? int m_NumInputs;???? ???? // 为每一输入提供的权重???? vectordouble m_vecWeight;???? ???? //构造函数???? SNeuron(int NumInputs);? }; 以下就是SNeuron 结构体的构造函数形式: SNeuron::SNeuron(int NumInputs): m_NumInputs(NumInputs+1)?(???? // 我们要为偏移值也附加一个权重，因此输入数目上要 +1???? for (int i=0; iNumInputs+1; ++i)???? {???????? // 把权重初始化为任意的值??????? ?m_vecWeight.push_back(RandomClamped());???? }?}?　　由上可以看出，构造函数把送进神经细胞的输入数目NumInputs作为一个变元，并为每个输入创建一个随机的权重。所有权重值在-1和1之间。??????? 这是什么？ 我听见你在说。这里多出了一个权重！ 不错，我很高兴看到你能注意到这一点，因为这一个附加的权重十分重要。但要解释它为什么在那里，我必须更多地介绍一些数学知识。回忆一下你就能记得，激励值是所有输入*权重的乘积的总和，而神经细胞的输出值取决于这个激励值是否超过某个阀值(t)。这可以用如下的方程来表示: ???????? w1x1 + w2x2 + w3x3 +...+ wnxn = t ?　　上式是使细胞输出为１的条件。因为网络的所有权重需要不断演化（进化），如果阀值的数据也能一起演化，那将是非常重要的。要实现这一点不难，你使用一个简单的诡计就可以让阀值变成权重的形式。从上面的方程两边各减去t，得: ??????? w1x1 + w2x2 + w3x3 +...+ wnxn –t = 0 这个方程可以再换用一种形式写出来，如下: ??????? w1x1 + w2x2 + w3x3 +...+ wnxn + t *(–1) = 0 ?　　到此，我希望你已能看出，阀值t为什么可以想像成为始终乘以输入为 -１的权重了。这个特殊的权重通常叫偏移（bias），这就是为什么每个神经细胞初始化时都要增加一个权重的理由。现在，当你演化一个网络时，你就不必再考虑阀值问题，因为它已被内建在权重向量中了。怎么样，想法不错吧？为了让你心中绝对敲定你所学到的新的人工神经细胞是什么样子，请再参看一下图12。 ? 图12 带偏移的人工神经细胞。 4.4.2? SNeuronLayer（神经细胞层的结构） 　　?神经细胞层SNeuronLayer的结构很简单；它定义了一个如图13中所示的由虚线包围的神经细胞SNeuron所组成的层。? ? ? 　　　　　图13 一个神经细胞层。 ?　　以下就是层的定义的源代码，它应该不再需要任何进一步的解释: struct SNeuronLayer{?? 　// 本层使用的神经细胞数目　? int???????????????? 　　　 m_NumNeurons;????? ?// 神经细胞的层　? vectorSNeuron?? m_vecNeurons;??　 SNeuronLayer(int NumNeurons, int NumInputsPerNeuron);}； 4.4.3? CNeuralNet（神经网络类） ?　　这是创建神经网络对象的类。让我们来通读一下这一个类的定义: class CNeuralNet{private:??? int???????? ??? ???m_NumInputs; ??? int???? ??????? ???m_NumOutputs; ??? int? ??????????? ??m_NumHiddenLayers; ??? int ??????　　m_NeuronsPerHiddenLyr; ?