7.1　盘古人工智能框架性能测试

本节展示在3个隐藏层、2个隐藏层及1个隐藏层的情况下，盘古人工智能框架的性能表现。

（1）3个隐藏层（Artificial_Intelligence_Framework_Main.py中，hidden_nodes=[8,4,2]）时的运行结果，如图7-1所示。

（2）2个隐藏层（Artificial_Intelligence_Framework_Main.py中，hidden_nodes=[4,2]）时的运行结果，如图7-2所示。

（3）1个隐藏层（Artificial_Intelligence_Framework_Main.py中，hidden_nodes=[3]）时的运行结果，如图7-3所示。

从运行结果发现盘古人工智能框架的预测效果已经非常不错。

在Neuron_Network_Entry.py代码中，我们给神经元网络输入的数据是二维数组：

二维数组有4行元素，每行元素有三列。第一列和第二列输入的是特征，第三列是实际值。在训练的时候，我们将第一列、第二列作为数据输入，然后让我们的深度学习框架预测第三列的结果。我们输入四行数据，每行数据包括两列特征，但并没有告诉系统第三列的值，而只是进行了前向传播的过程，将预测值与实际值进行对比之后计算误差，然后基于误差使用我们实现的算法不断进行调整，使误差越来越小，最后发现计算结果已经非常接近真实的结果。

如图7-3所示，在改进后的代码，只有1个隐藏层（Artificial_Intelligence_Framework_Main.py时，hidden_nodes=[3]）的运行结果中，当Epoch=10 000即在第10 000次循环的时候，误差达到了0.000 695 671 109 492 165 7，预测结果还不错。