5.3　损失度可视化运行结果

运行chapter5_Create_AI_Framework中的Neuron_Network_Entry.py，结果如下：

运行10 000个时代，每隔100个时代打印一次误差，损失度的可视化结果如图5-6所示。

图5-6中损失度是一条直线，表明损失度没有发生改变，为什么？因为BackPropagation.py中反向传播算法并没有实际更新神经网络，但BackPropagation.py代码中的确是实现了反向传播的功能。代码中有一个非常小的细节要修改，我们将在第6章进行修改。修改代码以后，损失度结果将立即改变，最初的时候损失度较大，然后是一个逐渐降低的过程。优化的结果精确度将在95%以上，误差在5%以内。

从编写框架的角度，盘古人工智能框架已经实现了TensorFlow、PyTorch框架的第一步。损失度是所有人工智能框架终身的魔咒，所有的框架都想在最短时间内最大限度地降低损失度，包括使用不同的学习率、激活函数等，都是为最大程度的降低损失度。例如使用Sigmoid激活函数、ReLU函数计算损失度，两者的结果不一样，但都是为了最快及最大程度的降低损失度。这是所有的人工智能框架，包括TensorFlow、PyTorch终身奋斗的目标。怎样在最短时间（毫秒级别）使训练最大程度的符合真实的情况，最好没有损失度，这也是人工智能应用开发者的终极目标。