飞桨 百度架构师手把手带你零基础实践深度学习21天 学习笔记——零基础入门

第一章：零基础入门深度学习

到今天早上才学习完第一章零基础入门深度学习，在上周我才开始接触python，所以对于代码的理解需要费一些功夫，在看到一个新的函数、新的库都要去搜索学习。
但好在飞桨的课程真的是逐步讲解深度学习的每一个步骤与过程，我也跟着学习理解了这个过程。
由于我的专业是数学系，所以对于一些理论推的理解也吸收较快。

概念理解

深度学习参考了人脑结构，运用了神经网络，他比机器学习、人工智能更加复杂，他集中于文字、图像及语言。
神经网络三个核心点：神经元（加权和、非线性变换——激活函数）、多层连接、正向计算（输出）和反向传播（更新参数）

波士顿房价预测任务（机器学习的‘hello world’）

模型：多元线性回归

模型构建：

数据处理：

在这里我们需要导入数据，并且对数据的形状进行一定的处理。接下来将数据集划分为训练集（80%）与测试集。接着将数据集进行归一化处理，这一点非常重要，他将和房价有关的13个参数进行归一化处理，一是使模型训练更高效；二是使特征前的权重大小可以代表该变量对预测结果的贡献度（因为每个特征值本身的范围相同）。最后将这些步骤封装为一个load_data函数。

模型设计（线性回归模型）

我们以类的方式实现前向计算。
1.使用时可生成多个模型案例
2.类成员变量有w和b，在类初始化函数中初始化变量（w随机初始化，b=0）
3.函数成员forward完成输入特征x到输出z的计算过程（即前向计算）

训练配置

通过损失函数Loss来衡量模型的好坏，通过训练配置寻找模型的最优值。
在这里我们选用均方误差，原因也在作业中进行了考核。

接下来我们使用Numpy的广播功能，实现多样本计算，计算Loss。
但我们要找的是能够使Loss达到最小的w和b，所以我们采用梯度下降法寻找合适的w和b。再通过反向运算，更新参数，实现此过程。
最后我们可以确定Loss最小的点。
将上述步骤封装入train函数。

下面我们进行代码实现：
（我会在后面 注解每一部分代码的用途）

import numpy as np
import json
import matplotlib.pyplot as plt

#定义函数，进行数据处理
def load_data():
    # 从文件导入数据
    datafile = 'housing.data'#我将数据和代码放在一个文件夹内
    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]

    # 计算训练集的最大值，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，使参数的范围在0~1内
    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


#接下来去用类的结构进行模型设计
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
        num_samples = error.shape[0]
        cost = error * error
        cost = np.sum(cost) / num_samples
        return cost
    
    def gradient(self, x, y):
        z = self.forward(x)
        gradient_w = (z-y)*x
        gradient_w = np.mean(gradient_w, axis=0)
        gradient_w = gradient_w[:, np.newaxis]
        gradient_b = (z - y)
        gradient_b = np.mean(gradient_b)        
        return gradient_w, gradient_b
    
    def update(self, gradient_w, gradient_b, eta = 0.01):
        self.w = self.w - eta * gradient_w
        self.b = self.b - eta * gradient_b
        
    def train(self, x, y, iterations=100, eta=0.01):
        losses = []
        for i in range(iterations):
            z = self.forward(x)
            L = self.loss(z, y)
            gradient_w, gradient_b = self.gradient(x, y)
            self.update(gradient_w, gradient_b, eta)
            losses.append(L)
            if (i+1) % 10 == 0: #十的倍数输出训练结果
                print('iter {}, loss {}'.format(i, L))
        return losses


# 获取数据
train_data, test_data = load_data()
x = train_data[:, :-1]
y = train_data[:, -1:]
# 创建网络
net = Network(13)
num_iterations=1000
# 启动训练
losses = net.train(x,y, iterations=num_iterations, eta=0.01)

# 画出损失函数的变化趋势
plot_x = np.arange(num_iterations)
plot_y = np.array(losses)
plt.plot(plot_x, plot_y)
plt.show()

后续还有对梯度下降法的改进，我们采用随机梯度法进行计算。