[技术]使用人工智能玩微信跳一跳

周六玩跳一跳小游戏，人工模式下只能到三十来分，玩了一会儿颇感气馁，决定挑战一下自我，写了一个人工智能程序来玩跳一跳。

一、人工智能-人工神经网络

人工神经网络目前是AI的主流发展方向之一，是模拟生物神经网络的突触联接的结构进行信息处理的数学模型。

生物科学家认为：神经元的基本功能是通过接受、整合、传导和输出信息实现信息交换。通过树突与其他神经元连接，通过突触来传递数据。

以下是人工神经网络的历史

1943年，基于生物神经网络莫克罗-彼特氏神经模型（McCulloch－Pitts′neuronmodel）诞生。

作者：HiAR链接：https://www.jianshu.com/p/078bba15fdb0來源：简书

似乎上图就是人工神经网络的鼻祖了，是的，它比计算机行业还要古老。

从上述模型中可以依稀看到生物神经网络的原理：某个神经元，接收到不同突触传来的信号，将信号进行加工，最终转换为输出。

80年代，各方研究室都在研究如何制造人工神经网络，1986年出版了《Learning representations by back-propagating errors》，将BP算法运用在神经网络上，自此之后BP神经网络开始大行其道，直至今日，采用了BP算法的前馈式神经网络成为了运用最广泛的人工神经网络。

人工神经网络

人工神经网络是模拟生物神经网络的数学模型，最早的时候只有一些数学家在模拟，近来由于学术界与工业界的互相渗透，人工神经网络的使用场景也越来越丰富，现在已有遍地皆是之感。

以上就是人工神经网络的核心部分：一个输入层，一到多个隐含层，一个输出层，输入层与隐含层的连接有各自的权重，隐含层的每一个节点都有其**函数，隐含层与输出层之间也有其连接权重。

常见的情况是：

1、初始化一批训练数据，包含【输入值，期望输出】

2、将输入值输入“输入层”

3、输入层根据连接权重将输入值分解到各“隐含层”节点

4、隐含层节点接受到各个输入层传递来的数据，通过**函数，计算输出

5、将输出根据权重输出到“输出层”

6、输出层汇总输出

其中关键的地方在于“**函数”+“连接权重”。

**函数是一种特殊的函数，具有如下的性质：y越接近0.5，其导数越大，y越接近0或者1，其导数越小。图形如下：

左侧的即为：Sigmoid**函数，算法是：σ(x)=1/(1+e−x)，即var value = 1 / (1 + Math.exp(-x));

如果大家看不懂，那么我们换一种说法：**函数是逻辑斯蒂函数的变种，逻辑斯蒂方程又名生物增长自我抑制方程：

逻辑斯蒂方程是初中生物的知识，用于描述生物数量的增长曲线：

1.开始期，由于种群个体数很少，密度增长缓慢，又称潜伏期。

2.加速期，随个体数增加，密度增长加快。

3.转折期，当个体数达到饱和密度一半（K/2),密度增长最快。

4.减速期，个体数超过密度一半（K/2)后，增长变慢。

5.饱和期，种群个体数达到K值而饱和。

当把逻辑斯蒂方程运用在人工神经网络的隐含层节点时，就会发生一个十分奇妙的现象：隐含层节点的输出总是趋于1或者趋于0的。（其原理为通过一定的数学设计，当y=0.5时，输出结果趋于不稳定，仅有当y=1或者0时，输出结果趋于稳定。这样就使得在重复运算中，隐含层节点的输出总是趋于1或者趋于0，通过1和0的状态来保留输入值的特征）在漫长的训练中，隐含层节点最终通过**函数把“**神经元的特征”通过函数形式保留并映射出来。据此，人工神经网络可以成功解决很多“非线性问题”。

什么是非线性问题？举个例子：F=ma 这个就是线性问题；而给出一张照片，判断这张照片上是否有一只猫就是非线性问题。

非线性问题是十分常见的，如照片识别，音纹识别，人工AI等等。

刚才提到了一个概念“漫长的训练中”，为什么人工智能或者机器学习都需要漫长训练？此处涉及到了概率论的知识：贝叶斯公式

贝叶斯老爷子和牛顿是同一个时代的人，不同的是：牛顿是个物理学家，而贝叶斯是一名职(wai)业(guo)牧(he)师(shang)，既然是牧师，自然需要虔诚的研究上帝以及和上帝相关的东西。贝叶斯老爷子研究的是“信念”，即信念是如何产生的。

他的研究结果即是贝叶斯公式，也即：先验概率修正公式。

举个例子：你去A医院体检，医生说你得了癌症，一半情况你不信；再换B医院体检，医生还是说你得了癌症，你会半信半疑；再换C医院体检，医生依旧说你得了癌症，那你肯定就信了。

贝叶斯公式就是这样的原理：根据经验制定一个先验概率，然后根据不断出现的事实，对此概率进行修正，重复一定的次数，修正的概率最终会达到其实际的概率。这就是信念修正法则。

在机器学习和人工智能中，贝叶斯法则比比皆是，通过长期不停的训练，最终你的机器和brain将会拥有匹配你提供数据的智能。

例如在BR前馈式神经网络中，通过每一个节点训练足够的次数，最终贝叶斯会告诉你真实的结果。

以上就是铺垫：生物神经网络，人工神经网络模型，**函数，连接权重，贝叶斯法则。

接下来我们实现一个可用的神经网络；

二、人工神经网络

人工神经网络无外乎：数据的输入，隐含层节点的确定，隐含层**函数，输出层输出等等。

前些年出现了新的卷积神经网络CNN，在图像识别上应用比较广泛。我们从简单的开始入手。

业内神经网络的语言一般有四种：Matlab数学家专用，Python工业界常用，C语言混合使用，其他语言偶发性使用。

抛开语言的不同，其实代码实现原理基本是相同的，对于一个顶级IT从业者来说，其实现其实区别不大。

我们找了一个Nodejs版本的神经网络brain.js，参见https://github.com/harthur/brain

选择该版本的原因为：小，且五脏俱全。

其实业内标准做法是Python，因为基础设施健全。但因为我不太想费心去找代码了，因此选择了brain.js。

brain.js是一个裸的人工智能核心，具有训练、测试、反馈等功能，代码只有五百余行，有兴趣的可以拜读一下。

另：可以考虑把brain.js翻译为C语言版本的，或者CUDA语言，可以适用于通用CPU或者GPU上运行。

关于brain.js的使用方法如下：

var net = new brain.NeuralNetwork();

net.train([{input: [0, 0], output: [0]},
           {input: [0, 1], output: [1]},
           {input: [1, 0], output: [1]},
           {input: [1, 1], output: [0]}]);

var output = net.run([1, 0]);  // [0.987]

内部代码的翻译可见：

[KANMARS原创]-人工神经网络brain.js算法解析

http://www.kanmars.com/2016/07/13/2016-07-13-neuralnetwork_analysis/

三、人工智能工程化

在学习了人工智能原理之后，我们需要构建一个人工智能工程了。如果上上面的brain.js是一条龙虾，那么将人工智能工程化的步骤就是做满汉全席了。

上图是一个人工神经网络工程化的模型。brain.js是核心部位的关键组成，负责对数据训练，生成brain，提供brain的存取与恢复。

左侧部分为人工神经网络的训练和测试部分

右侧为将训练出的神经网络运用在实际场景中，并根据实际场景的结果决定是否要加载到知识库中。

纵向来看，人工神经网络包含：

1）原始数据采集：采集照片、音频、特征码等数据

2）数据转化层：将单个原始数据转化为数字型数据，例如：将照片进行灰度、压缩处理，提取特征，提取音频转化为数字信号等

3）数据清洗层：将单个或者多个数据转化层的数据，清洗合并为统一格式的人工神经网络可识别的输入输出值

4）训练层：将数据清洗层生成的大批量数据交由人工智能核心训练，并生成新的brain

5）测试层：使用新的brain对测试数据进行测试，判断新brain是否符合实际需求

6）训练数据采集工具：辅助性工具，帮助操作人员批量获取训练数据

7）运用层：当brain已经训练好，则可交付外部使用，外部可以通过“执行工具-》原始数据采集层-》数据转化层-》运用层-》人工神经网络”的顺序发起调用，其中的“原始数据采集层”和“数据转化层”可以与训练阶段共享。（但没有“数据清洗层”，因为在实际运用中，往往是对单条数据进行运用）

8）结果汇总层：brain的输出结果往往有很多个，需要在结果汇总层进行数据汇总

9）结果处理层：结果处理层是根据汇总的结果进行下一步实际操作的步骤，并且最终产生了“响应”

10）结果反馈层：记录每一次的输入输出到监督学习区

11）监督学习：在此步骤判断正确的“输入输出”，并录入到训练阶段的“原始数据采集层”中

可以看到，按照此模型，仅需适当的“引导”（训练数据采集层），即可让人工神经网络运转起来。

-----------------------------------------------------------------------------------------------------

项目如下：

-----------------------------------------------------------------------------------------------------

上图为一个可运行的神经网络工程化项目：

1）traintools_000_main.js：训练数据采集工具，用于在手机上截屏，并且记录每次截屏的跳一跳需要按下时间

2）traintools_001_getPixs.js：数据转化层，将采集到的图片进行解码，编码为灰度图片，压缩35*35倍生成小图片特征

3）traintools_002_getCleanData.js：数据清洗层，将小图片特征与每张小图片的按下时间进行汇总，最终生成批量清洗数据

4）traintools_003_startTrain.js：训练层，将批量清洗数据灌入brain.js，并生成最终的brain

5）traintools_004_startTest.js：测试层，将生成的brain对测试数据进行测试，判断最终命中率

读到这边，估计很多人纳闷：生成的brain是什么?

brain就是：受过训练的大脑。你可以把它想象成一颗泡在福尔马林中的标本。

截图如下：

图中这一串串串串串绿油油的数据就是brain，模拟了神经元模型中，每个神经元与其他神经元的连接点，连接权重等信息。

6）main.js：执行工具，用于触发每一次实际的操作

7）sh_use_001_getPixs.js：数据转化层，将采集到的图片进行解码，编码为灰度图片，压缩35*35倍生成小图片特征

    与traintools_001_getPixs.js基本类似，代码共用。共用部分放在common.js和common.pixs.js中

8）sh_use_002_startBrain.js：运用层，数据汇总层，将上个步骤采集到的“实时数据”灌注到生成的brain中，并获取结果，将结果进汇总为可识别的数据

9）sh_use_003_dosth.js：结果处理层，根据可识别的数据执行后续操作。在本跳一跳示例中，是实现了：往前跳   的操作。

    此外在sh_use_003_dosth.js中兼职了结果反馈层，监督学习的工作，可以将每一跳都作为 下一次的学习数据，大大提升了系统的闭环性。

通过以上步骤你就看到了一个可用于“微信跳一跳”小程序的人工神经网络。通过对跳一跳进行训练，使它可以初步运行，然后投入实际生产环境，在不断的使用中学习前进，最终可以达到：

具有自我意识，能自动判断前进距离，自动向前跳跃的能力。

（受限于时间、CPU性能、算法等因素，这个跳一跳程序目前只能达到三岁小孩的智力，能往前跳三步左右，相信只要有充足的时间，可以将这个程序训练为跳一百、一千步的高手）

另外我比较欣慰的是：有以上程序，我仅需把数据采集层和结果处理层进行适当修改，以上程序可以运用在各种场景中：验证码识别、身份证识别、音频采集等等，应用场景十分广阔。

----------------------------------------------------------------------------------------------------------------------

缺陷：任何事物都有缺陷，人工神经网络也不例外，它的缺陷如下，也是目前世界正在努力解决的问题：

1）原始数据采集问题：人工智能驾驶使用的是激光采集器，十分昂贵。而人工智能至今未能制造出可媲美人类眼睛、耳朵、皮肤的器官。因此原始数据不纯净的问题严重阻碍了人工智能发展。本例中采用了手机视频截图，adb shell 截屏

2）层与层数据传输问题：本例使用的是文件式传输，但是文件式传输速度略慢，将来可以改成共享内存或者消息队列，或者流式计算

3）brain.js性能问题：js性能，比c还是略差一点的，比GPU运算更是慢了不止一点。当前人工神经网络的重点研究方向就是计算效能的提升，又分为空间效率和时间效率：

3.1）时间效率：同一批数据，A神经网络用一天可以学习完成，B神经网络用三天可以学习完成，则A的效率高于B

3.2）空间效率：同一批数据，A神经网络学习十分之一即可完成99.99%识别，而B神经网络学习二分之一才能完成99.99%识别，则A的效率高于B

这两个方向是神经网络专家的研究方向，我见过不少专家的算法，都是在这两个方面努力的

4）监督学习问题：人为监督还是机器自我监督，使用机器自我监督会更加节省。

全文完。