1. np.c[a, b] 将列表或者数据进行合并,我们也可以使用np.concatenate
参数说明:a和b表示输入的列表数据
2.np.linspace(0, 1, N) # 将0和1之间的数分成N份
参数说明:0表示起始数据,1表示末尾数据,N表示生成的分数
3.xx, yy = np.meshgrid(np.arange(x.min(), x.max(), N), np.arange(y.min(), y.max(), N)) 对数据进行切分后,生成二维数据点
参数说明:np.arange(x.min(), x.max(), N) X轴的一维数据,np.arange(y.min(), y.max(), N) y轴一维数据,
4. plt.contourf(xx, yy, Z, cmap=plt.cm.Spectral) 用于生成等高线图
参数说明:xx和yy表示x轴方向的二维数据,yy表示y轴的二维方向的数据,Z表示颜色对应的标签值, cmap表示颜色板
线性网络和神经网络的区别:
第一:线性网络只有一个w*x + b ,即线性变化层, 神经网络可以有多个w*x + b , 且中间存在一个激活层relu
线性回归代码解说:
第一步:使用np.c_[r*sin(t), r*cos(t)] 构造出二维的数据
第二步:前向传播
第一步:前向传播np.dot(x, w) + b 计算得分scores
第二步:使用e^scores / ∑e^scores 计算出概率值
第三步:使用-np.log(probs[np.arange(num_sample, y)]) 计算交叉熵,并且使用np.sum计算总的交叉熵损失值
第三步:反向传播
第一步:计算softamx反向传播的结果,即dout[np.arange(num_sample), y] -= 1 , dout /= num_samples
第二步:计算dx, dw, db, 这里的话也需要加上正则化惩罚项的求导,即w * reg
第四步:更新参数 w = dw*step_size + w, b = db * step_size + b
第五步:使用np.argmax()计算预测值, 利用pred_labels == y.mean() 计算准确率
第六步:使用plt.contourf 画出等高线图
代码:
import numpy as np import matplotlib.pyplot as plt np.random.seed(0) # 随机种子 N = 100 # 每类样本的个数 K = 3 # 标签值 D = 2 # 维度 X = np.zeros((N*K, D)) # 样本初始化 y = np.zeros(N*K, dtype='int') # 标签初始化 print(y.shape) # 第一步:使用np.c_构造数据 for j in range(K): xi = np.arange(j*N, N*(j+1)) r = np.linspace(0.0, 1, N) t = np.linspace(j*4, (j+1)*4, N) + np.random.randn(N) * 0.2 X[xi] = np.c_[r*np.sin(t), r*np.cos(t)] # 构造样本 y[xi] = j # 构造标签 # 初始化参数 W = np.random.randn(D, K) * 0.01 b = np.zeros((1, K)) reg = 1e-3 step_size = 1e-1 num_examples = X.shape[0] for i in range(1000): # 第二步前向传播 # 前向传播计算得分 scores = np.dot(X, W) + b # 计算概率 softmax_scores = np.exp(scores) probs = softmax_scores / np.sum(softmax_scores, axis=1, keepdims=True) # 计算损失值 data_loss = -np.sum(np.log(probs[np.arange(num_examples), y])) / num_examples reg_loss = 1 / 2 * np.sum(W*W) loss = data_loss + reg_loss if i == 100: print(loss) # 第三步:计算反向传播 dout = probs # 求出softmax的反向传播 dout[np.arange(num_examples), y] -= 1 dout /= num_examples # 求出dW和db dW = np.dot(X.T, dout) db = np.sum(dout, axis=0) # 正则化惩罚项的求导 dW += W * reg # 第四步:进行参数的更新操作 W = W - step_size * dW b = b - step_size * db scores = np.dot(X, W) + b # 第五步:使用得分,获得最终的准确率 pred_labels = np.argmax(scores, axis=1) print('accucacy %.2f'%(np.array([pred_labels==y]).mean())) # 第六步:使用plt.contourf画出等高线图 h = 0.02 x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1 y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1 xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h)) Z = np.dot(np.c_[xx.ravel(), yy.ravel()], W) + b Z = np.argmax(Z, axis=1) Z = Z.reshape(xx.shape) fig = plt.figure() plt.contourf(xx, yy, Z, cmap=plt.cm.Spectral, alpha=0.8) plt.scatter(X[:, 0], X[:, 1], c=y, s=40, cmap=plt.cm.Spectral) plt.xlim(xx.min(), xx.max()) plt.ylim(yy.min(), yy.max()) plt.show()
准确率为0.49
神经网络代码解说:
第一步:使用np.c_[r*sin(t), r*cos(t)] 构造出二维的数据
第二步:前向传播
第一步:前向传播np.dot(x, w1) + b1计算第一层
第二步:np.maximum(np.dot(x1, w2) + b2) 加上一个relu激活函数作为第二层
第三步:使用np.exp(scores) / ∑np.exp(scores) 获得概率值
第四步:使用-np.log(probs[np.arange(num_sample, y)]) 计算交叉熵,并且使用np.sum计算总的交叉熵损失值
第三步:反向传播
第一步:计算softamx反向传播的结果,即dout[np.arange(num_sample), y] -= 1 , dout /= num_samples
第二步:计算dh1, dw2, db2, 这里的话也需要加上正则化惩罚项的求导,即w * reg
第三步:计算relu激活层的反向传播,即dout[x<0] = 0
第四步:计算dw1和db1
第五步:在dw1和dw2的基础上,加上正则化惩罚项的求导,reg * W
第四步:更新参数 w = dw*step_size + w, b = db * step_size + b
第五步:使用np.argmax()计算预测值, 利用pred_labels == y.mean() 计算准确率
第六步:使用plt.contourf 画出等高线图
代码:
import numpy as np import matplotlib.pyplot as plt # 随机种子 np.random.seed(0) N = 100 # 每个样本的个数 K = 3 # 样本的类别 D = 2 # 表示两个维度 X = np.zeros((N*K, D)) y = np.zeros(N*K, dtype='int') # 第一步:构造数据 for j in range(K): ix = np.arange(j*N, (j+1)*N) r = np.linspace(0.0, 1, N) t = np.linspace((4*j), (j+1)*4, N) + np.random.randn(N) * 0.2 X[ix] = np.c_[r*np.sin(t), r*np.cos(t)] y[ix] = j # 初始化权重参数 W1 = np.random.rand(D, 100) * 0.01 b1 = np.zeros((1, 100)) W2 = np.random.randn(100, K) * 0.01 b2 = np.zeros((1, K)) reg = 1e-3 # 正则化的概率 step_size = 1 # 学习率 num_samples = X.shape[0] # 样本的个数 for i in range(2000): # 第二步:循环,进行前向传播 # 第一层得分值的获得 h1 = np.dot(X, W1) + b1 # 使用relu激活层 relu_h1 = np.maximum(0, h1) # 进行第二层的前向传播 scores = np.dot(relu_h1, W2) + b2 # 计算概率值 probs = np.exp(scores) probs = probs / np.sum(probs, axis=1, keepdims=True) # 计算损失值 data_loss = -np.sum(np.log(probs[np.arange(num_samples), y])) / num_samples # 正则化惩罚项的损失值 reg_loss = 1 / 2 * np.sum(W1*W1)*reg + 1/2 * np.sum(W2*W2)*reg loss = data_loss + reg_loss # 进行反向传播 # softmax的反向传播结果 dout = probs.copy() dout[np.arange(num_samples), y] -= 1 dout /= num_samples # 第二层反向传播的结果 dh1 = np.dot(dout, W2.T) dw2 = np.dot(relu_h1.T, dout) db2 = np.sum(dout, axis=0) # relu层反向传播的结果 drelu = dh1.copy() drelu[h1 < 0] = 0 # 第一层方向传播的结果 dw1 = np.dot(X.T, drelu) db1 = np.sum(drelu, axis=0) # 在获得梯度权重的基础上加上正则化的梯度值 dw2 += reg * W2 dw1 += reg * W1 # 第四步:进行参数的更新 W2 -= dw2 * step_size b2 -= db2 * step_size W1 -= dw1 * step_size b1 -= db1 * step_size if i%100 == 0: print(loss) # 第五步:根据得分值,计算准确率 predict_labels = np.argmax(scores, axis=1) print('accuracy:%.2f'%np.array([predict_labels==y]).mean()) # 第六步:进行画图操作 h = 0.02 x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1 y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1 xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h)) # 计算出对应的类别值 Z = np.dot(np.maximum(np.dot(np.c_[xx.ravel(), yy.ravel()], W1) + b1, 0), W2) + b2 Z = np.argmax(Z, axis=1) Z = Z.reshape(xx.shape) fig = plt.figure() plt.contourf(xx, yy, Z, cmap=plt.cm.Spectral, alpha=0.8) plt.scatter(X[:, 0], X[:, 1], c=y, s=40, cmap=plt.cm.Spectral) plt.xlim(xx.min(), xx.max()) plt.ylim(yy.min(), yy.max()) plt.show()
准确率0.95