The fourth Blog

构建神经网络（深度学习）模型的基本步骤：

数据处理：所谓数据处理即从本地文件或网络地址读取数据，并做预处理操作。

模型设计：完成网络结构的设计（模型要素1），相当于模型的假设空间，即模型能够表达的关系集合。（写出能够表达关系的函数式）

训练配置：设定模型采用的寻解算法（模型要素2），即优化器，并指定计算资源。

训练过程：循环调用训练过程，每轮均包括前向计算 、损失函数（优化目标，模型要素3）和后向传播这三个步骤。

保存模型：将训练好的模型保存，以备预测时调用。

波士顿房价回归预测

import numpy as np
import json
# 读入训练数据
datafile = 'boston_house_price_english.xlsx'
data = np.fromfile(datafile, sep=' ')
data

c:\users\django\appdata\local\programs\python\python37\lib\site-packages\ipykernel_launcher.py:5: DeprecationWarning: string or file could not be read to its end due to unmatched data; this will raise a ValueError in the future.
  """





array([], dtype=float64)

feature_names = [ 'CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE','DIS', 
                 'RAD', 'TAX', 'PTRATIO', 'B', 'LSTAT', 'MEDV' ]
feature_num = len(feature_names)
data = data.reshape([data.shape[0] // feature_num, feature_num])

x = data[0]  # 查看数据
print(x.shape)
print(x)

---------------------------------------------------------------------------

IndexError                                Traceback (most recent call last)

 in 
      4 data = data.reshape([data.shape[0] // feature_num, feature_num])
      5 
----> 6 x = data[0]  # 查看数据
      7 print(x.shape)
      8 print(x)


IndexError: index 0 is out of bounds for axis 0 with size 0

ratio = 0.8
offset = int(data.shape[0] * ratio)
training_data = data[:offset]
training_data.shape

(0, 14)

# 计算train数据集的最大值，最小值，平均值
maximums, minimums, avgs = \
                     training_data.max(axis=0), \
                     training_data.min(axis=0), \
     training_data.sum(axis=0) / training_data.shape[0]
# 对数据进行归一化处理
for i in range(feature_num):
    #print(maximums[i], minimums[i], avgs[i])
    data[:, i] = (data[:, i] - avgs[i]) / (maximums[i] - minimums[i])

---------------------------------------------------------------------------

ValueError                                Traceback (most recent call last)

 in 
      1 # 计算train数据集的最大值，最小值，平均值
      2 maximums, minimums, avgs = \
----> 3                      training_data.max(axis=0), \
      4                      training_data.min(axis=0), \
      5      training_data.sum(axis=0) / training_data.shape[0]


c:\users\django\appdata\local\programs\python\python37\lib\site-packages\numpy\core\_methods.py in _amax(a, axis, out, keepdims, initial, where)
     28 def _amax(a, axis=None, out=None, keepdims=False,
     29           initial=_NoValue, where=True):
---> 30     return umr_maximum(a, axis, None, out, keepdims, initial, where)
     31 
     32 def _amin(a, axis=None, out=None, keepdims=False,


ValueError: zero-size array to reduction operation maximum which has no identity

def load_data():
    # 从文件导入数据
    datafile = './work/housing.data'
    data = np.fromfile(datafile, sep=' ')

    # 每条数据包括14项，其中前面13项是影响因素，第14项是相应的房屋价格中位数
    feature_names = [ 'CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE', \
                      'DIS', 'RAD', 'TAX', 'PTRATIO', 'B', 'LSTAT', 'MEDV' ]
    feature_num = len(feature_names)

    # 将原始数据进行Reshape，变成[N, 14]这样的形状
    data = data.reshape([data.shape[0] // feature_num, feature_num])

    # 将原数据集拆分成训练集和测试集
    # 这里使用80%的数据做训练，20%的数据做测试
    # 测试集和训练集必须是没有交集的
    ratio = 0.8
    offset = int(data.shape[0] * ratio)
    training_data = data[:offset]

    # 计算train数据集的最大值，最小值，平均值
    maximums, minimums, avgs = training_data.max(axis=0), training_data.min(axis=0), \
                                 training_data.sum(axis=0) / training_data.shape[0]

    # 对数据进行归一化处理
    for i in range(feature_num):
        #print(maximums[i], minimums[i], avgs[i])
        data[:, i] = (data[:, i] - avgs[i]) / (maximums[i] - minimums[i])

    # 训练集和测试集的划分比例
    training_data = data[:offset]
    test_data = data[offset:]
    return training_data, test_data

training_data, test_data = load_data()
x = training_data[:, :-1]
y = training_data[:, -1:]

---------------------------------------------------------------------------

FileNotFoundError                         Traceback (most recent call last)

 in 
----> 1 training_data, test_data = load_data()
      2 x = training_data[:, :-1]
      3 y = training_data[:, -1:]


 in load_data()
      2     # 从文件导入数据
      3     datafile = './work/housing.data'
----> 4     data = np.fromfile(datafile, sep=' ')
      5 
      6     # 每条数据包括14项，其中前面13项是影响因素，第14项是相应的房屋价格中位数


FileNotFoundError: [Errno 2] No such file or directory: './work/housing.data'

# 定义Network类，计算预测值和损失函数。类中的变量x, w，b, z, error等均是向量。
class Network(object):
    def __init__(self, num_of_weights):
        # 随机产生w的初始值
        # 为了保持程序每次运行结果的一致性，此处设置固定的随机数种子
        np.random.seed(0)
        self.w = np.random.randn(num_of_weights, 1)
        self.b = 0.
        
    def forward(self, x):
        z = np.dot(x, self.w) + self.b
        return z
    
    def loss(self, z, y):
        error = z - y
        cost = error * error
        cost = np.mean(cost)
        return cost

#求解参数www和bbb的数值，这个过程也称为模型训练。

# 定义Network类，计算预测值和损失函数。类中的变量x, w，b, z, error等均是向量。
class Network(object):
    def __init__(self, num_of_weights):
        # 随机产生w的初始值
        # 为了保持程序每次运行结果的一致性，此处设置固定的随机数种子
        np.random.seed(0)
        self.w = np.random.randn(num_of_weights, 1)
        self.b = 0.
        
    def forward(self, x):
        z = np.dot(x, self.w) + self.b
        return z
    
    def loss(self, z, y):
        error = z - y
        cost = error * error
        cost = np.mean(cost)
        return cost

net = Network(13)
losses = []
#只画出参数w5和w9在区间[-160, 160]的曲线部分，已经包含损失函数的极值
w5 = np.arange(-160.0, 160.0, 1.0)
w9 = np.arange(-160.0, 160.0, 1.0)
losses = np.zeros([len(w5), len(w9)])

#计算设定区域内每个参数取值所对应的Loss
for i in range(len(w5)):
    for j in range(len(w9)):
        net.w[5] = w5[i]
        net.w[9] = w9[j]
        z = net.forward(x)
        loss = net.loss(z, y)
        losses[i, j] = loss

#将两个变量和对应的Loss作3D图
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
fig = plt.figure()
ax = Axes3D(fig)

w5, w9 = np.meshgrid(w5, w9)

ax.plot_surface(w5, w9, losses, rstride=1, cstride=1, cmap='rainbow')
plt.show()

---------------------------------------------------------------------------

NameError                                 Traceback (most recent call last)

 in 
     30         net.w[5] = w5[i]
     31         net.w[9] = w9[j]
---> 32         z = net.forward(x)
     33         loss = net.loss(z, y)
     34         losses[i, j] = loss


NameError: name 'x' is not defined

波士顿房价回归模型我几乎看了一下午 ，我还是没有看明白，最主要的是我没有看懂代码板块，其实损失函数和梯度下降我已经看懂了，但是脖子实在是太疼了，明天再接着看吧！另外说一句，我觉得百度AI的机器学习和深度学习课程真的挺好的，我这篇微博的主要内容就是自己的感想与总结以及课程的大纲。

在人类能够预见的将来，人工智能一定能为人类社会和人类文明的发展做出突出的推动作用。就像农业革命与工业革命一样，将深深的改变全人类的生活方式以及对未来世界的认知，而未来的世界将不再是人类单独的历史，而是人机共存的新历史。（调参工作在不久的将来就会完成。。。）