首先给出答案：可以，但不完全可以。

这是我尝试之后的答案。可以是因为经过尝试确实可以在grasshopper中实现训练并部署人工智能，但不完全可以是因为grasshopper的程序构架对于人工智能的支持并不友好。

人工智能在GH中的表现

（左侧为AI对图片的分类，右侧表示该分类是否正确）

2.实现人工智能的深度学习模型

2.1二分类(binary classification)

想要实现一个识别猫的图片的人工智能，实际上是一个典型的二分类(binary classification)问题。

例如假如你有一张图片作为输入，比如这只猫，如果识别这张图片为猫，则输出标签1作为结果；反之则，输出标签0作为结果。如下图示：

二分类的典型例子

资料来源：Deep Learning Specialization,Andrew NG

接着我们来看看一张图片在计算机中是如何表示的，为了保存一张图片，需要保存三个矩阵，分别对应图片中的红、绿、蓝三种颜色通道，如果你的图片大小为64×64像素，那么你就有三个规模为64×64的矩阵，分别对应图片中红、绿、蓝三种像素的强度值。

图片存储的形式（RGB三通道为例）

资料来源：Deep Learning Specialization,Andrew NG

如果把这些像素值放进一个总的特征向量，我们就能得到一个维度为分辨率*颜色通道的特征向量，在这个例子中是一个12,288（64*64*3）维的向量。

所以在二分类问题中，我们的目标就是习得一个分类器，它以图片的特征向量x作为输入，然后预测输出结果y为1还是0，也就是预测图片中是否有猫：

特征向量与预测输出的关系

资料来源：Deep Learning Specialization,Andrew NG

2.2逻辑回归(Logistic Regression)

换句话说，我们想要一个算法能够输出预测一个值y^，它是我们对实际值y的估计，并且我们希望y^与y的差距越小越好，越小意味着我们的预测结果与实际结果越接近。

首先我们可以用逻辑回归(Logistic Regression)来构造一个单层的神经网络，我们可以用来w表示逻辑回归的参数，这也是一个n维向量（因为实际上是特征权重，n维度与特征向量x相同），参数里面还有b，来表示偏差z。

由于最后的输出值我们希望是一个0到1的值，所以我们可以再套一个sigmoid函数，来将z的输出值映射到0到1的区间得到y^。

grasshopper中实现的Sigmoid函数

y^输出与Sigmoid的函数图像

资料来源：Deep Learning Specialization,Andrew NG

整理后，我们可以得到一个计算框架图：

神经网络的计算框架

资料来源：Deep Learning Specialization,Andrew NG

2.3梯度下降（Gradient Descent）

既然我们已经能得到我们的神经网络对于结果的预测y^，那么下一步就是求出y^的预测与真实值y的差距，并且希望它尽量的小。我们可以构造一个损失函数（Loss function）来描述y^与y的差距:

紧接着对于训练集中多个样本的损失函数进行一个加权平均，得到总的代价函数（Cost function）：

然后用这个代价函数J(w,b)对于w，b求导，再根据w,b的导数，调整w,b，再不断重复这个过程。这样代价函数就能一步一步的调整到更小的位置，其中每一步走的步长就是学习率（learning rate）。

就像是从山顶下山，每一步都朝着更低的方向走，步数多了，总能下到一个足够低的地方。

梯度下降的典型图示

资料来源：Deep Learning Specialization,Andrew NG

3.在grasshopper中的实现，以及会遇到的问题

说了这么多理论，终于说到在grasshopper中实现的部分了。其实从程序的角度看，就只有三件事：

1.初始化模型，2.模型优化，3.部署模型并评估结果

首先，我们从最简单的部署模型入手，根据深度学习的数学模型原理，在grasshopper中构造出这个预测函数，让gh能根据训练好的ai参数（w，b）给出对于图片是否是猫的预测判断。

gh中的预测函数

其次，我们需要构造一个人工智能模型优化的grasshopper电池。

原本我希望用grasshopper原生电池来实现这个功能，但是由于grasshopper本身程序构架的问题，算第一步的对应相乘（矩阵的点积）就要1.3分钟（78秒）。

gh的友好界面所需的程序构架，导致gh的运算性能非常拉胯

这比直接调用CPU计算相同的任务要慢上万倍。于是我选择退而求其次，用CPython电池直接调用CPU实现深度学习模型的优化运算。如果调用GPU运算速度还能再提高上千倍。

处理相同的运算时，CPU的运算性能是gh的上万倍

处理相同的运算时，GPU（3090）的运算性能又是CPU的上千倍

由于模型优化是一个典型的循环结构，而grasshopper原生是无法实现这样的循环的，所以我们需要对于grasshopper做一些非常规操作。

gh原生不支持循环的操作

我们用一个c#电池(transfer data)来接管这个gh文档，将一轮优化完的w,b传输到c#电池，再由这个c#电池将收到的信息发送给优化前的w,b，这样我们就能构造一个循环结构。

蓝色为C#电池(transfer data)实现的数据传递路线

聪明的读者可能已经发现了此时的问题。由于此时数据是不断循环流动的，所以grasshopper理论上会一直卡在运算过程中的，这不是我们想要的效果。

不过好在此时贴心的grasshopper会爆出一个提示，告诉你出现了一个死循环，问你是不是只运行一次这个循环，选是就可以了（当然理论上你也只能选是，因为选否会紧接着再弹出一个同样的提示）。这样c#电池(transfer data)就会只运行一次就停止。

但是由于训练一个神经网络需要成千上万次可控的循环，所以我们需要再新建一个c#电池(loop counter)来输出一个变化的值，用timer控制其更新，而其结果的更新会导致连接它输出的c#电池(transfer data)的更新，从而让CPython的核心优化电池的进行一次运算（这一系列操作牵扯到GH底层的更新机制，以后可以展开讲）。

这系列的更新构成对于ai的一轮训练。

C#电池控制下的GH电池组的更新顺序

至此，我们就得到了一个能用来做人工智能模型优化的grasshopper电池组。

最后，我们构造一个初始化模型参数的电池，由于w，b的数据是需要被c#电池（transfer data）不断更新的，所以我们无法用连接电池的方式将数据传给w，b。

那么我们可以依照之前c#电池（transfer data）的技术路线，做一个c#电池（inti wb），同样接管这个gh文档，将初始化的数据发送给w，b就可以了。

隔空初始化w,b的参数

至此，终于我们构造完了所有神经网络的模块，也就是说：

我们成功在grasshopper上实现了一个人工智能！

4.最终效果

4.1训练ai模型

我们先点击初始化模型的开关来初始化模型，之后点击timer就可以开始我们的训练了。

神经网络的训练过程，可以看到准确度不断的爬坡

我们可以看到开始训练之后神经网络的损失函数在不断的降低，这意味着ai的预测值y^与实际的值y在不断逼近，同时ai的准确度也在快速的爬坡上升！

在大约40轮训练之后（出于时间开销的考虑我在CPython电池中设置了一轮训练优化10次，一轮训练大约耗时1秒），也就是我们的ai在经过了400次小步慢跑的梯度下降之后，就能达到90%的识别准确率了！

4.2部署ai模型并评估结果

我们在训练完200轮（也就是2000次梯度下降）之后，将训练好的w,b的数据输入预测函数，就可以把神经网络部署在grasshopper中了。

在gh中部署的预测函数，将ai的判断输出到图片左下

启动我们的c#电池作为计数更新器，就可以看到这个人工智能的表现了。

人工智能部署后的运行效果

人工智能对于学习过的样本基本全对。对于测试集的正确率70%，尽管有些过拟合的情况出现。但平心而论，ai在学习某些特定领域时确实比人快的多。

5.总结

尽管这是一个很简单的人工智能，但它证实了：

grasshopper是可以实现人工智能的！

尽管实现中遇到的困难也有很多，尤其在算力以及循环这两个问题上。

关于算力，grasshopper提供了非常友好的互交方式，不过背后的代价就是成千上万倍惊人的算力折扣，在部署模型的环节还能勉强应付。但是在训练人工智能的环节与python平台好几个数量级的速度差距，基本就排除了GH原生条件下训练模型的可能性。

换句话说，grasshopper程序构架所能提供的算力上限不足以支持大多数运算密集型的算法（包括人工智能的训练在内）。然而不幸的是，绝大多数面向未来的新技术都是依托于算力以及大数据的。那么如果想把计算机科学发展的新成果通过GH应用到设计中，那就需要我们能把一些运算密集型的任务从GH中拆分开来，交给合适的运算器或者云端。

关于循环，grasshopper是支持循环的，但是默认不开放给用户，需要一些技术门槛很高的特殊操作才能调用。这就让实现人工智能在grasshopper与在python中相比，要来的更难且更慢。

所以，我认为人工智能介入设计师工作的合适技术路线是：将在本地或者云端训练好的人工智能（Pre-Trained Model），部署在grasshopper上被设计师用起来。

而这个未来应该不远了，让我们共同努力！

grasshopper文档截图

参考文献：

1.Deep Learning Specialization,Andrew NG，https://www.coursera.org/specializations/deep-learning

2.吴恩达深度学习笔记，http://www.ai-start.com/dl2017/

转自：非解构-公众号