從零開始學習AI-3：用Python對人事物貼標籤
今天，我們將繼續探索如何使用Python對人事物進行標籤化，這在AI的推理過程中是非常重要的一環。
當你上傳一張X光片時，AI會標記出「可能有肺癌」的風險；上傳一段影片到影音平台時，AI則會給它貼上「動漫」、「幽默」或「兒童」等標籤。這種專門的動作在AI術語中稱為「分類」（classification）。
在前一篇文章中，我們已經從電子試算表轉入Python的世界，並實作了AI運算的天下第一招：sum of product。今天，我們將繼續學習Python，並實作AI運算的天下第二招：非線性函數。如果你只關心AI的推理，而不涉及AI的訓練，掌握這兩招就已經足夠，非常簡單！
非線性函數
非線性函數的概念可能有些抽象，簡單來說，非線性函數就是那些不符合線性關係的函數。你可能記得線性函數的形式，例如 y=ax+b 或 f(x)=ax+b。如果函數不呈現這種形式，那麼它就是非線性函數。
Python中的基本功能
在上一集影片中提到，Python作為物件導向語言，擁有良好的藍圖共享機制。我們可以輕鬆引用別人的代碼並加入自己的創意，實現想要的功能。但工程師也是很懶惰的，Python內建了大部份程式都需要的藍圖，像是控制台，控制台中最重要的之一就是print函數，用來顯示結果。Python內建控制台的藍圖讓我們在程式最前面可以少打 import 控制台 這幾個字，使用每個控制台的函數時也可以少打控制台.這幾個字。
最簡單的寫法是：
print(A)
未來我們可以學習更多複雜的用法。
定義函數
在數學中，我們使用define這個字來定義函數，考量工程師的懶惰個性，在Python中，使用 def 這個關鍵字來定義函數。例如：
def f(x):
return 3*x + 1
在Python中，縮排是非常重要的，它幫助我們理解代碼的層級結構。接下來，我們來定義一個加法函數並使用print顯示結果：
def add(a, b):
return a + b
print(add(3, 5)) # 輸出應為8
大家可以自由修改這個函數，來進行不同的運算。
條件語句
接下來我們學習條件語句。Python的條件語句寫法接近英文，只需遵循特定語法即可。例如，一句國中學的英文"I will get the credit if my score is more than 60."
寫成Python程式就變成：
score = 75
if score > 60:
print("You get the credit.")
else:
print("You don't get the credit.")
這樣的寫法讓程式邏輯更加清晰。
ReLU函數
現在，讓我們實作ReLU函數，這在深度學習中非常常見。ReLU的定義是：如果輸入大於0，則返回該輸入；否則返回0。
def relu(x):
if x > 0:
return x
else:
return 0
測試這個函數：
print(relu(3)) # 輸出應為3
print(relu(-1)) # 輸出應為0
Softmax函數
Softmax函數通常用於多類別分類問題，能將一組實數轉換為機率，確保總和為1。以下是Softmax函數的實作範例：
import numpy as np
def softmax(logits):
exp_logits = np.exp(logits - np.max(logits))
return exp_logits / np.sum(exp_logits)
logits = [2.0, 1.0, 0.1]
print(softmax(logits))
數據區分：藍綠數據
最後，我們將之前用電子試算表區分藍綠數據的過程用Python實現。詳細的假設可以參考相關影片。大家可以自由修改數據進行實驗。
import numpy as np
def softmax(logits):
exp_logits = np.exp(logits - np.max(logits))
return exp_logits / np.sum(exp_logits)
#民調向量
#馬英九,謝長廷,蔡英文,朱立倫,韓國瑜,賴清德,侯友宜,柯文哲
G=np.array([-1,1,1,-1,-1,1,-1,0]) #綠
B=np.array([1,-1,-1,1,1,-1,1,0]) #藍
t=np.array([-1,0,1,-1,-1,1,0,0]) #測試樣本
logits = [np.dot(G,t),np.dot(B,t)]
print(softmax(logits))
今天的所有程式碼都可以在共享的Colab筆記本中找到，歡迎複製到自己的Google雲端硬碟進行實驗。