Numpy实现一个简单的机器学习模型

Numpy实现一个简单的机器学习模型

本实例使用numpy实现机器学习，相对于pytorch这类包而言需要花费的代码多一点，但是每一步都是透明的，有利于理解每一步工作原理.

首先我们应该明确基本步骤：

1. 基于函数式y = 3x ^ 2 + 2 得到一些数据，另外加上一些噪音数据到达另一组数据y。
2. 构建一个机器学习模型来学习表达式y = wx^2 + b 的两个参数w 、b .利用数组x, y的数据为训练数据。
3. 采用梯度下降法来通过多次迭代学习到w、b的值。

导入必要库

import numpy as np
%matplotlib inline 
from matplotlib import pyplot as plt

代码分析：

%matplotlib inline是一个魔法函数（Magic Functions）。使用%matplotlib命令可以将matplotlib的图表直接嵌入到Notebook之中，或者使用指定的界面库显示图表，它有一个参数指定matplotlib图表的显示方式。 inline表示将图表嵌入到Notebook中。

生成数据

np.random.seed(100)
x = np.linspace(-1, 1, 100).reshape(100, 1)
y = 3 * np.power(x, 2) + 2 + 0.2 * np.random.rand(x.size).reshape(100, 1)

代码分析：

生成输入数据x及目标数据y，np.random.seed(100)时设置随机数种子。reshape函数将矩阵形状改为合适的形状方便操作。而后np.random.rand是为了加一些噪点。

查看x、y数据分布情况

plt.scatter(x, y, s=20, c='red')
plt.show()

运行结果：

随机初始化参数

w1 = np.random.rand(1, 1)
b1 = np.random.rand(1, 1)

代码分析：

随机初始化参数w1、b1，后面会计算梯度逐渐接近最优解。

训练模型

lr = 0.001  # 学习率

for i in range(800):
    # 前向传播
    y_pred = np.power(x, 2) * w1 + b1
    # 定义损失函数
    loss = 0.5*(y_pred - y) ** 2
    loss = loss.sum()
    # 计算梯度
    grad_w = np.sum((y_pred - y) * np.power(x, 2))
    grad_b = np.sum((y_pred - y))
    # 使用梯度下降法，使loss最小
    w1 -= lr * grad_w
    b1 -= lr * grad_b

代码分析：

这是我们代码最核心的一部分了。 一个简单的前向传播，y_pred是预测值，y是实际值。loss是均方损失函数，这里均方损失函数乘以0.5是为了求导的时候平方项正好消去，方便后续整理，实际上也可以不乘，梯度下降算法最重要的是方向，大小是次要的。sum函数对损失进行求和同时把loss函数变为标量，实际上这里面由于我们直接后续计算梯度直接求出了loss函数的导数，所以这里loss函数实际上没有在代码上没有很大的作用😋，写出来是为了方便我们去观看。而这里我们接下来就是计算的grad_w、grad_b就是来进行梯度的计算，然后更新权重w1和参数b1。

可视化结果

我们训练结果如何呢？其实际拟合程度如何呢？我们画图来验证一下拟合的效果。

plt.plot(x, y_pred, "r-", label='predict')
plt.scatter(x, y, color='blue', marker='o', label='true')    # true data
plt.xlim(-1, 1)
plt.ylim(2, 6)
plt.legend()
plt.show()
print(w1, b1)

训练结果：

[[2.98941611]] [[2.09813123]]

代码分析：

事实证明，经过800次训练之后，我们训练出的模型的拟合效果还是相当不错的，w是2.9894左右，b是2.0981左右。和我们初始时设定的3、2相差很小。

总结

这是博主一个月之前编写的代码，因为刚开始入门学了很多东西感觉眼花缭乱的，又是理论又是代码的，让我感觉不是特别适应，听了学长的建议后。决定把学习的一些东西记录下来 ，这样方便了解 一下自己究竟干了些什么，以及规划一下要去干什么。
事实上整个代码写下来并不是很难，不需要很复杂的思想，分步骤按部就班的就能完成。