人工智能（AI）的代码可以非常复杂，也可以相对简单，这取决于你想要实现的AI功能。以下是一些基本的AI代码示例，涵盖了不同的编程语言和AI应用场景。
### 1. Python - 使用Scikit-learn进行机器学习（分类）
```python from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.neighbors import KNeighborsClassifier from sklearn.metrics import classification_report # 加载数据集 iris = load_iris() X, y = iris.data, iris.target # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 创建KNN分类器模型 knn = KNeighborsClassifier(n_neighbors=5) # 训练模型 knn.fit(X_train, y_train) # 预测测试集 y_pred = knn.predict(X_test) # 输出性能报告 print(classification_report(y_test, y_pred, target_names=iris.target_names)) ``` ### 2. Python - 使用TensorFlow和Keras创建简单的神经网络 ```python import tensorflow as tf from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense # 创建模型 model = Sequential([ Dense(8, input_shape=(4,), activation='relu'), # 输入层 Dense(8, activation='relu'), # 隐藏层 Dense(1, activation='sigmoid') # 输出层 ]) # 编译模型 model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy']) # 加载数据（示例） X_data = ... # 输入数据 y_data = ... # 输出数据 # 训练模型 model.fit(X_data, y_data, epochs=10, batch_size=10) # 评估模型 loss, accuracy = model.evaluate(X_data, y_data) print(f"Loss: {loss}, Accuracy: {accuracy}") ``` ### 3. JavaScript - 使用TensorFlow.js进行图像分类 ```javascript // 首先，你需要加载模型 const model = await tf.loadLayersModel('model.json'); // 然后，你可以使用模型进行预测 const img = document.getElementById('imageElement'); // 获取图像元素 const tensor = tf.browser.fromPixels(img); // 预处理图像 const normalizedTensor = tensor.toFloat().div(tf.scalar(255)); // 进行预测 const prediction = await model.predict(normalizedTensor); // 显示预测结果 console.log(prediction); ```
这些代码示例展示了如何使用不同的编程语言和库来实现AI功能。Python是AI领域中最受欢迎的语言之一，因为它有许多强大的库，如Scikit-learn、TensorFlow和Keras。JavaScript的TensorFlow.js库允许你在浏览器中运行AI模型，这对于创建交互式AI应用非常有用。
