1. 深度学习笔记一
1.1 绪论
(1)关于人工智能、机器学习与深度学习之间的关系:
人工智能是一种科技领域,分为机器学习,数据挖掘(大概是大数据方向)以及其他方面如作为AL分支的NLP等。对于机器学习,根据有无监督又分为全监督学习(回归算法、朴素贝叶斯以及SVM等),无监督学习(聚类算法,如sklearn的KMeans)以及半监督学习;根据是否应用了神经网络又分为传统机器学习以及神经网络(Neural Network)——深度学习。
(2)传统机器学习中,特征是人工设计的,在实际应用中,特征往往比分类器更重要。整个过程为原始数据—数据预处理—特征提取—特征转换—预测识别(浅层学习),最终得到结果。Kaggle版Hello World之泰坦尼克号乘客生存预测可以加深这方面的理解。
(3)传统机器学习 VS 深度学习
专家系统方法:手工设计程序
传统机器学习:人基于对问题的理解,手动设计特征。学习的过程,是从手动设计的特征到输出这样一个映射。
简单的表示学习:没有人工参与,自动学习特征。人工设计的特征不一定能穷尽真实世界的情况,且主观因素会产生影响。
深度学习:真正有效的特征应该是分层的,深度学习的过程就是从输入到简单特征,再到复杂特征,经过映射得到输出的过程。
(4)BP算法
在神经网络里增加了一个隐层,解决了XOR难题,效率比感知器大大提高。反向传播算法把纠错的运算量下降到只和神经元数目成正比。
(5)DBM & RBM
算法借用了统计力学中玻尔兹曼分布的概念:一个微粒在某个状态的几率,和那个状态的能量的指数成反比,和它的温度的倒数的指数成反比。使用所谓的受限玻尔兹曼机来学习。RBM相当于一个两层的神经网络,同层神经元不可连接(所以叫“受限”)。深度置信网络DBN就是几层RBM叠加在一起。RBM可以从输入数据进行预先训练,自己发现重要的特征,对神经网络连接的权重进行有效的初始化。被称作:特征提取器或者自动编码器。
(6)GPU
工作的核心特点:同时处理海量数据。而GPU在底层的ALU是基于单指令多数据流的架构,善于对大批量数据进行处理。神经网络的计算工作,本质上是大量矩阵运算的操作,适合使用GPU。
(老黄赶紧发布30系显卡,这样我就能买上一代了T^T)
(7)深度学习的“不能”
算法输出不稳定,容易被攻击。两张图像素级别的差别就可能造成识别的错误。
模型复杂度高,难以纠错和调试 。
模型层级复合程度高,参数不透明。
端到端训练方式对数据依赖性强,模型增量性差。
专注直观感知类问题,对开放性推理问题无能为力。
人类知识无法有效引入进行监督,机器偏见难以避免(算法必然依赖大数据,但数据不是中立的,从真实社会中抽取必然带有社会固有的不平等、排斥性和歧视)。
1.2 神经网络基础
1. 浅层神经网络
(1)生物神经元:多输入单输出,具有时间整合和空间整合的特性,分兴奋性输出和抑制性输入两种类型,具有阈值特性。
(2)M-P神经元:对生物神经元的抽象和简化。多输入信号进行累加\(\Sigma_i x_i\)
权值\(\omega_i\)正负模拟兴奋或抑制,大小模拟强度。输入和超过阈值\(\theta\),神经元被激活(fire)。
输出为\(y=f(\Sigma \omega_i x_i - \theta)\)。有时看到的写法往往是\(\omega^T x\),看不到\(\theta\),可以这么想:把\(\omega_0\)看作\(-\theta\), \(x_0\)看作1,就是对上式更简洁的描述了。
为什么需要激活函数呢?对于激活函数\(f\),神经元继续传递信息、产生新连接的概率(超过阈值被激活,但不一定传递,比如闹钟响了我还有可能赖床2333)。如果没有激活函数,就相当于矩阵连乘,\(x^T W_1 ... W_n = x^T \Pi W_k\),多层和一层一样,只能拟合线性函数。
(3)常见的激活函数:
线性函数(如 恒等函数):\(f(x)=kx+c\)
S性函数:\(\sigma(z)= \frac{1}{1+e^-z}\) \(\sigma(z)'= \sigma(z)(1-\sigma(z))\) 问题:容易饱和且输出不对称。
(4)单层感知器
M-P神经元的权重预先设置,无法学习。单层感知器是首个可以学习的人工神经网络。
逻辑非:\(h_\Theta(x)=g(10-20x_1)\) 逻辑或:\(h_\Theta(x)=g(-10+20x_1+20x_2)\)
(5)多层感知器
可以实现同或门,解决非线性问题。
(6)万有逼近定理
如果一个隐层包含足够多的神经元,三层前馈神经网络(输入-隐层-输出)能够任意精度逼近任意预定的连续函数。
为什么线性分类任务组合后可以解决非线性分类任务?第二层感知器看到的其实不是原始的数据分布,看到的是被第一层感知器进行空间变换后的分布。
当隐层足够宽时,双隐层感知器(输入-隐层1-隐层2-输出)可以逼近任意非连续函数,可以解决任何复杂的分类问题。
(7)神经网络每一层的作用
每一层数学公式:\(\vec{y}=a(W\vec{x}+b)\)
完成输入->输出空间变换,包括:
线性变换\(W\vec{x}\):升/降维,放大/缩小,旋转。
\(+b\):平移
\(a\):弯曲
训练数据就是让神经网络去选择这样一个线性或者非线性的变换。
神经网络学习如何利用矩阵的线性变换加激活函数的非线性变换,将原始输入空间投影到线性可分的空间去分类/回归。
增加节点数:增加维度,即增加线性转换能力。
增加层数:增加激活函数的次数,即增加非线性转换次数。
(8)更宽 or 更深?
在神经元总数相同的情况下,增加网络深度可以比增加宽度带来更强的网络表示能力,产生更多的线性区域。
宽度和深度对函数复杂度的贡献是不同的,深度的贡献是指数增长,宽度的贡献是线性的。
(9)神经网络的参数学习:误差反向传播
多层神经网络可看成是一个复合的非线性多元函数。给定训练数据\({x^i,y^i}\),希望损失
\(\Sigma_i loss(F(x^i),y^i)\)尽可能小。
无约束优化:梯度下降
参数沿负梯度方向更新可以使函数值下降(通过泰勒展开可证明)。
\(\theta_j=\theta_j-\alpha\frac{\partial }{\partial \theta_j}J(\theta)\)
三层前馈神经网络的BP算法:
前馈为\(z[2]=W[2]*a[1]\)
反馈为\(da[1]=W[2]*dz[2]\)
残差为损失函数在某个节点的偏导数。
(10)深度学习开发框架
为什么要基于PyTorch?涨势迅猛,稳坐榜眼。相比Tensorflow更友好。
(11)深层神经网络的问题:梯度消失
Sigmoid激活函数求导后在\(\sigma(z)=\frac{1}{2}\)处最大为\(\frac{1}{4}\),取其他值时更小,这样反向传播时有很多个节点。就会造成梯度消失这样的问题。
增加深度会造成梯度消失(gradient vanishing),误差无法传播。多层网络容易陷入局部极值,难以训练。因此三层神经网络是主流。同时预训练和新激活函数使深度成为可能。
2. 深层神经网络
(1)逐层预训练(layer-wise- pre-training)
问题一:网络层数越多,局部极小值就越多,有可能网络收敛到很差的局部极小值里。
问题二:只能更新后面几层的参数。
解决:找到一个还不错的初始值,即权重初始化。
每次选择一层进行逐层预训练,最后再从上往下进行一次微调(fine-tuning)
(2)受限玻尔兹曼机和自编码器
逐层预训练是看不到输出的,应该怎么计算参数呢?
自编码器(autoencoder)假设输入与输出相同(target=input),是一种尽可能复现输入信号的神经网络。将input输入一个encoder编码器,就会得到一个code;加一个decoder解码器输出信息。通过调整encoder和decoder的参数,使得重构误差最小。没有额外监督信息:无标签数据,误差的来源是直接重构后信号与原输入相比得到。
受限玻尔兹曼机(RBM)是两层的神经网络,包含可见层v(输入层)和隐藏层h。不同层之间全连接,层内无连接,是二分图(匈牙利算法和二分图最大独立集啥的还没学QAQ)。与感知器不同,RBM没有显式的重构过程。从联合概率到条件概率。
自编码器 VS 受限玻尔兹曼机
Python中的图像处理
1. 下载并显示图像
!wget https://raw.githubusercontent.com/summitgao/ImageGallery/master/yeast_colony_array.jpg
import matplotlib
import numpy as np
import matplotlib.pyplot as plt
import skimage
from skimage import data
from skimage import io
colony = io.imread('yeast_colony_array.jpg')
print(type(colony))
print(colony.shape)
可以看到colony的类型是numpy的ndarray(多维容器)。
在这里Image读出来的是PIL的类型,而skimage.io读出来的数据是numpy格式的。
# Plot all channels of a real image
plt.subplot(121)
plt.imshow(colony[:,:,:])
plt.title('3-channel image')
plt.axis('off')
# Plot one channel only
plt.subplot(122)
plt.imshow(colony[:,:,0])
plt.title('1-channel image')
plt.axis('off');
matplotlib在大数据的课上学过了,就不赘述了。
2. 读取并改变图像像素值
# Get the pixel value at row 10, column 10 on the 10th row and 20th column
camera = data.camera()
print(camera[10, 20])
# Set a region to black
camera[30:100, 10:100] = 0
plt.imshow(camera, 'gray')
设置了一个区域为灰色。
skimage.data.camera()即灰度相机图像,data自带的。
# Set the first ten lines to black
camera = data.camera()
camera[:10] = 0
plt.imshow(camera, 'gray')
设置前十行为灰色。
# Set to "white" (255) pixels where mask is True
camera = data.camera()
mask = camera < 80
camera[mask] = 255
plt.imshow(camera, 'gray')
这波是黑白反转。
# Change the color for real images
cat = data.chelsea()
plt.imshow(cat)
展示一下猫,这也是自带的。
# Set brighter pixels to red
red_cat = cat.copy()
reddish = cat[:, :, 0] > 160
red_cat[reddish] = [255, 0, 0]
plt.imshow(red_cat)
把>160的高亮地方的像素设置为红色。
# Change RGB color to BGR for openCV
BGR_cat = cat[:, :, ::-1]
plt.imshow(BGR_cat)
改变颜色。
3. 转换图像数据类型
-
img_as_float Convert to 64-bit floating point.
-
img_as_ubyte Convert to 8-bit uint.
-
img_as_uint Convert to 16-bit uint.
-
img_as_int Convert to 16-bit int.
from skimage import img_as_float, img_as_ubyte
float_cat = img_as_float(cat)
uint_cat = img_as_ubyte(float_cat)
skimage中,图片用numpy的数组来存储。float的范围是-1~1。
4. 显示图像直方图
img = data.camera()
plt.hist(img.ravel(), bins=256, histtype='step', color='black');
numpy的ravel()将多维数组降至一维。
5. 图像分割
# Use colony image for segmentation
colony = io.imread('yeast_colony_array.jpg')
# Plot histogram
img = skimage.color.rgb2gray(colony)
plt.hist(img.ravel(), bins=256, histtype='step', color='black');
# Use thresholding
plt.imshow(img>0.5)
使用阈值(作用为降噪...?)
6. Canny 算子用于边缘检测
from skimage.feature import canny
from scipy import ndimage as ndi
img_edges = canny(img)
img_filled = ndi.binary_fill_holes(img_edges)
Plot
plt.figure(figsize=(18, 12))
plt.subplot(121)
plt.imshow(img_edges, 'gray')
plt.subplot(122)
plt.imshow(img_filled, 'gray')
Canny算子是目前找到的一个最优的边缘检测算子。步骤的话balabala
貌似是第一张图显示边缘,第二张图显示填充后的?
7. 改变图像对比度
# Load an example image
img = data.camera()
plt.imshow(img, 'gray')
# Contrast stretching
p2, p98 = np.percentile(img, (2, 98))
img_rescale = exposure.rescale_intensity(img, in_range=(p2, p98))
plt.imshow(img_rescale, 'gray')
这里会出现一个NameError: name 'exposure' is not defined,原因是缺少from skimage import exposure。
percentile(img, (2, 98))在python中计算一个多维数组的任意百分比分位数,此处的百分位是从小到大排列,只需用np.percentile即可。这里的写法是解包了..?
skimage.exposure.exposure 模块中的函数,在对图像进行拉伸或者伸缩强度水平后返回修改后的图像,
rescale_intensity(image, in_range=’image’, out_range=’dtype’)
输入图像和输出图像的强度范围分别由in_range 和out_range指定,用来拉伸或缩小输入图像的强度范围。
# Equalization
img_eq = exposure.equalize_hist(img)
plt.imshow(img_eq, 'gray')
这里是对直方图均衡化。
# Adaptive Equalization
img_adapteq = exposure.equalize_adapthist(img, clip_limit=0.03)
plt.imshow(img_adapteq, 'gray')
另一个直方图均衡化函数,有限对比度自适应直方图均衡。clip_limit为剪切极限,归一化在0和1之间(更高的值给出更多的对比度)。
# Display results
def plot_img_and_hist(img, axes, bins=256):
"""Plot an image along with its histogram and cumulative histogram.
"""
img = img_as_float(img)
ax_img, ax_hist = axes
ax_cdf = ax_hist.twinx()
# Display image
ax_img.imshow(img, cmap=plt.cm.gray)
ax_img.set_axis_off()
ax_img.set_adjustable('box')
# Display histogram
ax_hist.hist(img.ravel(), bins=bins, histtype='step', color='black')
ax_hist.ticklabel_format(axis='y', style='scientific', scilimits=(0, 0))
ax_hist.set_xlabel('Pixel intensity')
ax_hist.set_xlim(0, 1)
ax_hist.set_yticks([])
# Display cumulative distribution
img_cdf, bins = exposure.cumulative_distribution(img, bins)
ax_cdf.plot(bins, img_cdf, 'r')
ax_cdf.set_yticks([])
return ax_img, ax_hist, ax_cdf
fig = plt.figure(figsize=(16, 8))
axes = np.zeros((2, 4), dtype=np.object)
axes[0, 0] = fig.add_subplot(2, 4, 1)
for i in range(1, 4):
axes[0, i] = fig.add_subplot(2, 4, 1+i, sharex=axes[0,0], sharey=axes[0,0])
for i in range(0, 4):
axes[1, i] = fig.add_subplot(2, 4, 5+i)
ax_img, ax_hist, ax_cdf = plot_img_and_hist(img, axes[:, 0])
ax_img.set_title('Low contrast image')
y_min, y_max = ax_hist.get_ylim()
ax_hist.set_ylabel('Number of pixels')
ax_hist.set_yticks(np.linspace(0, y_max, 5))
ax_img, ax_hist, ax_cdf = plot_img_and_hist(img_rescale, axes[:, 1])
ax_img.set_title('Contrast stretching')
ax_img, ax_hist, ax_cdf = plot_img_and_hist(img_eq, axes[:, 2])
ax_img.set_title('Histogram equalization')
ax_img, ax_hist, ax_cdf = plot_img_and_hist(img_adapteq, axes[:, 3])
ax_img.set_title('Adaptive equalization')
ax_cdf.set_ylabel('Fraction of total intensity')
ax_cdf.set_yticks(np.linspace(0, 1, 5))
fig.tight_layout()
plt.show()
PyTorch学习笔记
1. 定义数据
一般定义数据使用torch.Tensor , tensor的意思是张量,是数字各种形式的总称
import torch
# 可以是一个数
x = torch.tensor(666)
print(x)
# 可以是一维数组(向量)
x = torch.tensor([1,2,3,4,5,6])
print(x)
张量是数字各种形式的总称。
# 可以是二维数组(矩阵)
x = torch.ones(2,3)
print(x)
# 可以是任意维度的数组(张量)
x = torch.ones(2,3,4)
print(x)
输出为tensor([[[1., 1., 1., 1.], [1., 1., 1., 1.], [1., 1., 1., 1.]], [[1., 1., 1., 1.], [1., 1., 1., 1.], [1., 1., 1., 1.]]])
Tensor支持各种各样类型的数据,包括:
torch.float32, torch.float64, torch.float16, torch.uint8, torch.int8, torch.int16, torch.int32, torch.int64 。这里不过多描述。
创建Tensor有多种方法,包括:ones, zeros, eye, arange, linspace, rand, randn, normal, uniform, randperm, 使用的时候可以在线搜,下面主要通过代码展示。
# 创建一个空张量
x = torch.empty(5,3)
print(x)
# 创建一个随机初始化的张量
x = torch.rand(5,3)
print(x)
# 创建一个全0的张量,里面的数据类型为 long
x = torch.zeros(5,3,dtype=torch.long)
print(x)
# 基于现有的tensor,创建一个新tensor,
# 从而可以利用原有的tensor的dtype,device,size之类的属性信息
y = x.new_ones(5,3) #tensor new_* 方法,利用原来tensor的dtype,device
print(y)
z = torch.randn_like(x, dtype=torch.float) # 利用原来的tensor的大小,但是重新定义了dtype
print(z)
2. 定义操作
凡是用Tensor进行各种运算的,都是Function
最终,还是需要用Tensor来进行计算的,计算无非是
- 基本运算,加减乘除,求幂求余
- 布尔运算,大于小于,最大最小
- 线性运算,矩阵乘法,求模,求行列式
基本运算包括: abs/sqrt/div/exp/fmod/pow ,及一些三角函数 cos/ sin/ asin/ atan2/ cosh,及 ceil/round/floor/trunc 等具体在使用的时候可以百度一下
布尔运算包括: gt/lt/ge/le/eq/ne,topk, sort, max/min
线性计算包括: trace, diag, mm/bmm,t,dot/cross,inverse,svd 等
# 创建一个 2x4 的tensor
m = torch.Tensor([[2, 5, 3, 7],
[4, 2, 1, 9]])
print(m.size(0), m.size(1), m.size(), sep=' -- ')
显示每一个维度的size。
# 返回 m 中元素的数量
print(m.numel())
# 返回 第0行,第2列的数
print(m[0][2])
# 返回 第1列的全部元素
print(m[:, 1])
# 返回 第0行的全部元素
print(m[0, :])
# Create tensor of numbers from 1 to 5
# 注意这里结果是1到4,没有5
v = torch.arange(1, 5)
print(v)
# Scalar product
m @ v
# Calculated by 1*2 + 2*5 + 3*3 + 4*7
m[[0], :] @ v
# Add a random tensor of size 2x4 to m
m + torch.rand(2, 4)
# 转置,由 2x4 变为 4x2
print(m.t())
# 使用 transpose 也可以达到相同的效果,具体使用方法可以百度
print(m.transpose(0, 1))
# returns a 1D tensor of steps equally spaced points between start=3, end=8 and steps=20
torch.linspace(3, 8, 20)
#输出为tensor([3.0000, 3.2632, 3.5263, 3.7895, 4.0526, 4.3158, 4.5789, 4.8421, 5.1053,5.3684, 5.6316, 5.8947, 6.1579, 6.4211, 6.6842, 6.9474, 7.2105, 7.4737,7.7368, 8.0000])
from matplotlib import pyplot as plt
# matlabplotlib 只能显示numpy类型的数据,下面展示了转换数据类型,然后显示
# 注意 randn 是生成均值为 0, 方差为 1 的随机数
# 下面是生成 1000 个随机数,并按照 100 个 bin 统计直方图
plt.hist(torch.randn(1000).numpy(), 100);
#注意上面转换为numpy的方法
# 当数据非常非常多的时候,正态分布会体现的非常明显
plt.hist(torch.randn(10**6).numpy(), 100);
# 创建两个 1x4 的tensor
a = torch.Tensor([[1, 2, 3, 4]])
b = torch.Tensor([[5, 6, 7, 8]])
# 在 0 方向拼接 (即在 Y 方各上拼接), 会得到 2x4 的矩阵
print( torch.cat((a,b), 0))
# 在 1 方向拼接 (即在 X 方各上拼接), 会得到 1x8 的矩阵
print( torch.cat((a,b), 1))
螺旋数据分类
如同课程视频里那个例子,对于螺旋数据需要对空间进行变换。
!wget https://raw.githubusercontent.com/Atcold/pytorch-Deep-Learning/master/res/plot_lib.py
首先是下载数据,然后import基本的库,对参数初始化。
import random
import torch
from torch import nn, optim
import math
from IPython import display
from plot_lib import plot_data, plot_model, set_default
# 因为colab是支持GPU的,torch 将在 GPU 上运行
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
print('device: ', device)
# 初始化随机数种子。神经网络的参数都是随机初始化的,
# 不同的初始化参数往往会导致不同的结果,当得到比较好的结果时我们通常希望这个结果是可以复现的,
# 因此,在pytorch中,通过设置随机数种子也可以达到这个目的
seed = 12345
random.seed(seed)
torch.manual_seed(seed)
N = 1000 # 每类样本的数量
D = 2 # 每个样本的特征维度
C = 3 # 样本的类别
H = 100 # 神经网络里隐层单元的数量
之前导论课智能小车的实验并没有按照这样写:
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
结果小车GPU有问题,疯狂报错T^T。
设置种子是对随机化的状态记录,很巧妙。
初始化 X 和 Y。 X 可以理解为特征矩阵,Y可以理解为样本标签。 结合代码可以看到,X的为一个 NxC 行, D 列的矩阵。C 类样本,每类样本是 N个,所以是 N*C 行。每个样本的特征维度是2,所以是 2列。
在 python 中,调用 zeros 类似的函数,第一个参数是 y方向的,即矩阵的行;第二个参数是 x方向的,即矩阵的列,大家得注意下,不要搞反了。下面结合代码看看 3000个样本的特征是如何初始化的。
X = torch.zeros(N * C, D).to(device)
Y = torch.zeros(N * C, dtype=torch.long).to(device)
for c in range(C):
index = 0
t = torch.linspace(0, 1, N) # 在[0,1]间均匀的取10000个数,赋给t
# 下面的代码不用理解太多,总之是根据公式计算出三类样本(可以构成螺旋形)
# torch.randn(N) 是得到 N 个均值为0,方差为 1 的一组随机数,注意要和 rand 区分开
inner_var = torch.linspace( (2*math.pi/C)*c, (2*math.pi/C)*(2+c), N) + torch.randn(N) * 0.2
# 每个样本的(x,y)坐标都保存在 X 里
# Y 里存储的是样本的类别,分别为 [0, 1, 2]
for ix in range(N * c, N * (c + 1)):
X[ix] = t[index] * torch.FloatTensor((math.sin(inner_var[index]), math.cos(inner_var[index])))
Y[ix] = c
index += 1
print("Shapes:")
print("X:", X.size())
print("Y:", Y.size())
# visualise the data
plot_data(X, Y)
1. 构建线性模型进行分类
learning_rate = 1e-3
lambda_l2 = 1e-5
# nn 包用来创建线性模型
# 每一个线性模型都包含 weight 和 bias
model = nn.Sequential(
nn.Linear(D, H),
nn.Linear(H, C)
)
model.to(device) # 把模型放到GPU上
# nn 包含多种不同的损失函数,这里使用的是交叉熵(cross entropy loss)损失函数
criterion = torch.nn.CrossEntropyLoss()
# 这里使用 optim 包进行随机梯度下降(stochastic gradient descent)优化
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate, weight_decay=lambda_l2)
# 开始训练
for t in range(1000):
# 把数据输入模型,得到预测结果
y_pred = model(X)
# 计算损失和准确率
loss = criterion(y_pred, Y)
score, predicted = torch.max(y_pred, 1)
acc = (Y == predicted).sum().float() / len(Y)
print('[EPOCH]: %i, [LOSS]: %.6f, [ACCURACY]: %.3f' % (t, loss.item(), acc))
display.clear_output(wait=True)
# 反向传播前把梯度置 0
optimizer.zero_grad()
# 反向传播优化
loss.backward()
# 更新全部参数
optimizer.step()
这里对上面的一些关键函数进行说明:
使用 print(y_pred.shape) 可以看到模型的预测结果,为[3000, 3]的矩阵。每个样本的预测结果为3个,保存在 y_pred 的一行里。值最大的一个,即为预测该样本属于的类别
score, predicted = torch.max(y_pred, 1) 是沿着第二个方向(即X方向)提取最大值。最大的那个值存在 score 中,所在的位置(即第几列的最大)保存在 predicted 中。下面代码把第10行的情况输出,供解释说明
此外,大家可以看到,每一次反向传播前,都要把梯度清零,参考:https://www.zhihu.com/question/303070254
运行结果:[EPOCH]: 999, [LOSS]: 0.861541, [ACCURACY]: 0.504
print(y_pred.shape)
print(y_pred[10, :])
print(score[10])
print(predicted[10])
# Plot trained model
print(model)
plot_model(X, Y, model)
上面使用 print(model) 把模型输出,可以看到有两层:
- 第一层输入为 2(因为特征维度为主2),输出为 100;
- 第二层输入为 100 (上一层的输出),输出为 3(类别数)
从上面图示可以看出,线性模型的准确率最高只能达到 50% 左右,对于这样复杂的一个数据分布,线性模型难以实现准确分类。
2. 构建两层神经网络分类
learning_rate = 1e-3
lambda_l2 = 1e-5
# 这里可以看到,和上面模型不同的是,在两层之间加入了一个 ReLU 激活函数
model = nn.Sequential(
nn.Linear(D, H),
nn.ReLU(),
nn.Linear(H, C)
)
model.to(device)
# 下面的代码和之前是完全一样的,这里不过多叙述
criterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate, weight_decay=lambda_l2) # built-in L2
# 训练模型,和之前的代码是完全一样的
for t in range(1000):
y_pred = model(X)
loss = criterion(y_pred, Y)
score, predicted = torch.max(y_pred, 1)
acc = ((Y == predicted).sum().float() / len(Y))
print("[EPOCH]: %i, [LOSS]: %.6f, [ACCURACY]: %.3f" % (t, loss.item(), acc))
display.clear_output(wait=True)
# zero the gradients before running the backward pass.
optimizer.zero_grad()
# Backward pass to compute the gradient
loss.backward()
# Update params
optimizer.step()
输出为:[EPOCH]: 999, [LOSS]: 0.213117, [ACCURACY]: 0.926
# Plot trained model
print(model)
plot_model(X, Y, model)
可以看到分类效果较好,关键在于加入了ReLU激活函数。ReLU函数速度快精度高,逐渐取代了Sigmoid函数。
import random
import torch
from torch import nn, optim
import math
from IPython import display
from plot_lib import plot_data, plot_model, set_default
from matplotlib import pyplot as plt
set_default()
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
seed = 1
random.seed(seed)
torch.manual_seed(seed)
N = 1000 # 每类样本的数量
D = 1 # 每个样本的特征维度
C = 1 # 类别数
H = 100 # 隐层的神经元数量
X = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1).to(device)
y = X.pow(3) + 0.3 * torch.rand(X.size()).to(device)
print("Shapes:")
print("X:", tuple(X.size()))
print("y:", tuple(y.size()))
在坐标系上显示数据
plt.figure(figsize=(6, 6))
plt.scatter(X.cpu().numpy(), y.cpu().numpy())
plt.axis('equal');