感知器！[实时观看人工智能学习过程！👀]

由 Mux 主办的 DEV 全球展示挑战赛：展示你的项目！

我读过很多关于机器学习（ML）模型工作原理的文章。它们解释的都是同一件事，而且方式也几乎相同。

但我还没有找到最纯粹的机器学习形式。

机器学习如此简单，我甚至能直观地理解它的工作原理。举个例子，我可以看到一个模型从一无所知到理解某些东西，并且能够完全跟随它的运行过程！

我的意思是，我（大概）理解了所有的权重、偏差等等。我成功地用原生JS构建了一个神经网络（NN）（甚至用CSS构建了一个神经网络🤯！），但我仍然无法理解它实际是什么样子。

然后我读到了关于“感知器”（PARA 项目）的文章，这是 20 世纪 50 年代末和 60 年代初最早的机器学习实验之一（是的，我们从事机器学习已经很久了，实际上从 20 世纪 40 年代就开始了！）

这正是我想要的，因为这是一个使用模拟系统工作的机器学习模型，所以必须更简单一些。

正是基于这种简单性，我终于构建出了我想要的东西——一个简单的模型，我们可以实时看到它学习的过程，更重要的是，可以了解它在学习过程中发生了什么！

如果您比较心急，可以直接跳到演示部分，但我建议您先了解一下它的工作原理和学习规则，因为这对于理解您所看到的内容非常重要！

向 Welch Labs 致敬！

Welch Labs制作了一段关于感知器的精彩讲解视频，这启发我写了这篇文章。文中的一些截图来自他们搭建的实体感知器机器！

一个可以观察其学习过程的感知器模型！

这是我搭建的（或者应该说是在很多提示和指导下搭建的 03-mini——顺便说一句，03-mini 生成的代码很糟糕，但作为原型工具来说它令人印象深刻！不过，即便如此，搭建这个例子也花了大约 4 个小时！）。

让我来解释一下你在截图中看到的内容，然后你就可以亲自体验一下演示版了！

输入网格

所以最上面的两个框是我们的输入项。

它们是两个 5x5 的盒子，你可以在里面拨动“开关”。

勾选的复选框表示正电压，未勾选的复选框表示负电压。

为了使我们的模型能够展示学习效果，我们需要一个“好”的形状和一个“坏”的形状。

这是我们对输入开关网格的代码表示，就像这个例子中，你需要每次手动拨动开关来获得“好”或“坏”的形状：

刻度盘/砝码

输入网格下方是旋钮/配重。

在现实世界的模拟版本中，它们是物理旋钮，可以将输入电压乘以旋钮上显示的数值。

在我们的示例中，每个方框中都用数字表示，显示为正数或负数。

您还会注意到屏幕截图中单元格有颜色（阳性为绿色，阴性为红色），以便于视觉区分（对于非色盲人士而言）。

最后你会注意到每个方框中都有一个“+”或“-”，再次表明它们是增强还是减弱了输入信号。

这就是我们实际的神经网络。这些就是你可能在现代神经网络中听说过的“权重/偏差”。

如果一个网格方格是正数/绿色，那就相当于向上拨动旋钮；如果一个网格方格是负数/红色，那就相当于向下拨动旋钮。

它们代表了一组如下所示的表盘：

每个感知器的输出电压可视化器

这只是为了帮助我们理解模型中发生的事情，它是输入乘以一个“刻度盘”后的输出。

为了进一步解释，我们假设第一个拨盘设置为“+18”。

那么，假设我们给感知器输入一个正电压（所有输入要么是 +10 伏，要么是 -10 伏，如果它们开启的话）。

这意味着这个旋钮会输出+180伏电压。

现在假设我们将开关（第一个复选框）切换到“关闭”状态。现在我们将得到-180V的输出电压。

需要注意的是，如果这个“拨盘”是负数（比如设置为“-12”），那么情况就相反。

如果开关处于“开”的状态，则输出电压为-120V（+10伏乘以-12），如果开关处于“关”的状态，则输出电压为+120V。

该模型的工作原理是将所有电压相加。

哦，还有最后一点需要说明，如果旋钮的读数是“0”，那么我们就输出它接收到的电压。

电压输出表

电压输出表是我们的最终输出。

这是将每个开关（我们的复选框，+10V 或 -10V）的输入电压乘以每个相应的增益开关，然后将所有结果相加的结果。

在我们的感知器中，正值代表“好”，负值代表“坏”。电压的大小并不重要，重要的是它是高于0还是低于0。

这代表实际模型中的电压表：

模型如何学习。

所以这个感知器模型遵循一些简单的规则。

它总是从输入一个形状开始，在这个例子中，就是我们的“好”形状，所有旋钮/权重都设置为 0。

请记住，任何勾选的方框都会输出 +10 伏电压，任何未勾选的方框都会输出 -10 伏电压。

因此，如果我们画一个带有 4 个复选框的形状，我们将从这 4 个复选框获得 +40 伏电压，但也会从其他所有复选框获得 -450 伏电压（请记住，实际电路板是 7x7 的，因此总共有 49 个开/关输入）。

由于没有任何加权/调整，我们得到的输出电压为负值。

关键就在于此，因为我们需要根据该输出结果应用相应的规则：

• 如果正确的输出电压应该是正的（形状良好），而我们得到的是负电压，那么我们就把所有“开启”的电池都调高，把所有其他电池都调低。
• 如果正确的输出电压应该是正的，并且我们得到了正的输出电压——我们什么也不做。
• 如果正确的输出电压应该是负值（形状不好），而我们得到的是正电压，那么我们就把所有“开启”的电池都调低，把所有其他电池都调高。
• 如果正确的输出电压应该是负的，并且我们得到了负电压输出——我们什么也不做。

在我们的模型中，我们以 3 为单位进行倍增。因此，经过一次训练后，我们会得到如下输出：

为什么输入的数据只有 25 个方框，却需要 49 个方框？

这就是奇迹发生的地方。

你看，如果我们的形状与输出网格的大小相同，我们可以说我们只是（实际上）把这个形状存储在了内存中。实际上，模型并没有学习到任何东西。

接下来，我们将图形向右移动一个方格，并按照相同的步骤进行操作。

这一次（由于我们之前的步骤），模型将输出不同的电压，因为现在我们的一些关闭开关乘以了一个负数，从而产生了正电压输出，而我们的一些开启开关则转移到了一个负乘数上，从而变成了负电压。

所以这次我们根据输出电压遵循同样的规则。

最后，当我们尝试了所有 9 个“好”形状的位置并调整了每个位置的旋钮后，我们再输入 9 个“坏”形状的位置。

经过训练，模型已经学会了如何识别形状。它可能在一次学习后并不总是能正确识别，但经过多次学习后最终会正确识别（当然，几乎总是如此，有一些形状组合永远不会“确定”正确的刻度图案）。

好了，说了这么多，现在我们可以开始玩了！

演示

考虑到以上所有因素，演示如下。

在玩耍之前，请阅读以下说明。

正确使用该模型对于轻松理解正在发生的事情至关重要！

指示

通过点击复选框，在“好”框中输入一个形状，在“坏”框中输入另一个不同的形状。

一旦你掌握了形状，就可以开始训练了！

点击第一个按钮“开始训练”。

你会看到系统将正确的形状放在左上角“旋钮和配重”框中，并立即根据规则调整电压。

然后它会将形状移动到正确的位置，并遵循相同的规则（注意观察电压表的移动，以便查看电压是正还是负，以及电压变化如何改变形状的行为）。

它将对 3 列和 3 行的组合重复此操作，以便对所有可能输入形状的位置进行训练。

然后它会将形状切换为“坏”形状，并遵循相同的规则（记住，这次我们想要一个负输出）。

训练完成后，您将看到一条提示信息：

测试模型！

现在您有两个选择：
选项 1：单击“选择左上角位置进行测试”框中的 9 个方框之一。您将看到一个模态框，询问您要测试哪个形状（“A”表示“好”，“B”表示“坏”）。

你会收到一条包含感知器预测结果的警报。

然后，您将在“选择左上位置进行测试”框中看到渲染的形状，以及每个旋钮/开关组合产生的电压输出。

点击更多方框，选择“A”或“B”来测试好形状和坏形状，看看模型猜测正确或错误的频率如何！

这是了解模型如何工作的最佳方法，所以请重复几次并检查输出结果。

选项 2：让系统测试直到发现故障！
如果您只想查看模型当前的运行状况，请点击“全部测试”。

它将遍历两种形状的所有形状位置，如果猜错（例如，对正确的形状输出负电压），则会停止并报错，并告知您失败的位置。

或者，如果你运气好的话，它可能会完成所有检查，你会收到一条成功消息！

如果通过测试，无论你将其放置在哪个有效位置，它都能正确识别形状（好/A 或坏/B）。

它失败了

不出所料，你只完成了一次训练！

现在你可以再次点击“开始训练”，但这故意设置了较慢的速度。

为了加快速度，您可以点击“自我训练和测试”。

这段代码以10 倍速运行所有训练姿势，然后进行测试，直到某个形状测试失败为止，重复此过程 50 次，或者直到通过所有测试为止！

一旦你理解了原理，并且在慢速版本中玩了足够多的游戏，点击这个按钮，观察每个方块的电压是如何变化的，以及它是如何逐渐通过测试，直到（希望如此）最终通过的！

如果没通过，请尝试不同的形状，或者再次按下“自我训练和测试”按钮，再运行 50 个循环！

然后，一旦所有测试都通过，就尝试点击“选择左上角位置进行测试”方框中的几个方框，并尝试“A”或“B”形状。

请特别注意每个电池盒中的电压和旋钮设置。注意哪些电池电压最高，哪些电池电压最低等等。

我觉得非常有趣的是，理解事情的来龙去脉竟然如此“容易”！

Codepen 演示

尝试新形状

如果您想尝试新的形状，或者只是想再次从头开始学习，只需按下“重置拨盘”，所有拨盘都将恢复为 0。

结束了。

我知道这说了不少字，但我希望它能帮助你理解模型是如何以最简单的形式进行学习的。

我发现这比矩阵乘法、图表更容易理解，虽然这不是现代 LLMS / ML 模型的工作原理，但这是理解其原理的好方法。

如果你觉得有用/帮助你更好地理解了，请在评论区告诉我！