分享一下我老师大神的人工智能教程!零基础,通俗易懂!http://blog.csdn.net/jiangjunshow
也欢迎大家转载本篇文章。分享知识,造福人民,实现我们中华民族伟大复兴!
将matlab代码http://code.google.com/p/matrbm/中rbmBB改写成Python代码,如下,参考文献为:
1 A Tutorial on Stochastic Approximation Algorithms for Training Restricted Boltzmann Machines and Deep Belief Nets
2 Inductive Principles for Learning Restricted Boltzmann Machines
3 Training products of experts by minimizing contrastive divergence
4 受限波尔兹曼机简介
- import matplotlib.pylab as plt
- import numpy as np
- import random
- from scipy.linalg import norm
- import PIL.Image
- class Rbm:
- def __init__(self,n_visul, n_hidden, max_epoch = 50, batch_size = 110, penalty = 2e-4, anneal = False, w = None, v_bias = None, h_bias = None):
- self.n_visible = n_visul
- self.n_hidden = n_hidden
- self.max_epoch = max_epoch
- self.batch_size = batch_size
- self.penalty = penalty
- self.anneal = anneal
- if w is None:
- self.w = np.random.random((self.n_visible, self.n_hidden)) * 0.1
- if v_bias is None:
- self.v_bias = np.zeros((1, self.n_visible))
- if h_bias is None:
- self.h_bias = np.zeros((1, self.n_hidden))
- def sigmod(self, z):
- return 1.0 / (1.0 + np.exp( -z ))
- def forward(self, vis):
- #if(len(vis.shape) == 1):
- #vis = np.array([vis])
- #vis = vis.transpose()
- #if(vis.shape[1] != self.w.shape[0]):
- vis = vis.transpose()
- pre_sigmod_input = np.dot(vis, self.w) + self.h_bias
- return self.sigmod(pre_sigmod_input)
- def backward(self, vis):
- #if(len(vis.shape) == 1):
- #vis = np.array([vis])
- #vis = vis.transpose()
- #if(vis.shape[0] != self.w.shape[1]):
- back_sigmod_input = np.dot(vis, self.w.transpose()) + self.v_bias
- return self.sigmod(back_sigmod_input)
- def batch(self):
- eta = 0.1
- momentum = 0.5
- d, N = self.x.shape
- num_batchs = int(round(N / self.batch_size)) + 1
- groups = np.ravel(np.repeat([range(0, num_batchs)], self.batch_size, axis = 0))
- groups = groups[0 : N]
- perm = range(0, N)
- random.shuffle(perm)
- groups = groups[perm]
- batch_data = []
- for i in range(0, num_batchs):
- index = groups == i
- batch_data.append(self.x[:, index])
- return batch_data
- def rbmBB(self, x):
- self.x = x
- eta = 0.1
- momentum = 0.5
- W = self.w
- b = self.h_bias
- c = self.v_bias
- Wavg = W
- bavg = b
- cavg = c
- Winc = np.zeros((self.n_visible, self.n_hidden))
- binc = np.zeros(self.n_hidden)
- cinc = np.zeros(self.n_visible)
- avgstart = self.max_epoch - 5;
- batch_data = self.batch()
- num_batch = len(batch_data)
- oldpenalty= self.penalty
- t = 1
- errors = []
- for epoch in range(0, self.max_epoch):
- err_sum = 0.0
- if(self.anneal):
- penalty = oldpenalty - 0.9 * epoch / self.max_epoch * oldpenalty
- for batch in range(0, num_batch):
- num_dims, num_cases = batch_data[batch].shape
- data = batch_data[batch]
- #forward
- ph = self.forward(data)
- ph_states = np.zeros((num_cases, self.n_hidden))
- ph_states[ph > np.random.random((num_cases, self.n_hidden))] = 1
- #backward
- nh_states = ph_states
- neg_data = self.backward(nh_states)
- neg_data_states = np.zeros((num_cases, num_dims))
- neg_data_states[neg_data > np.random.random((num_cases, num_dims))] = 1
- #forward one more time
- neg_data_states = neg_data_states.transpose()
- nh = self.forward(neg_data_states)
- nh_states = np.zeros((num_cases, self.n_hidden))
- nh_states[nh > np.random.random((num_cases, self.n_hidden))] = 1
- #update weight and biases
- dW = np.dot(data, ph) - np.dot(neg_data_states, nh)
- dc = np.sum(data, axis = 1) - np.sum(neg_data_states, axis = 1)
- db = np.sum(ph, axis = 0) - np.sum(nh, axis = 0)
- Winc = momentum * Winc + eta * (dW / num_cases - self.penalty * W)
- binc = momentum * binc + eta * (db / num_cases);
- cinc = momentum * cinc + eta * (dc / num_cases);
- W = W + Winc
- b = b + binc
- c = c + cinc
- self.w = W
- self.h_bais = b
- self.v_bias = c
- if(epoch > avgstart):
- Wavg -= (1.0 / t) * (Wavg - W)
- cavg -= (1.0 / t) * (cavg - c)
- bavg -= (1.0 / t) * (bavg - b)
- t += 1
- else:
- Wavg = W
- bavg = b
- cavg = c
- #accumulate reconstruction error
- err = norm(data - neg_data.transpose())
- err_sum += err
- print epoch, err_sum
- errors.append(err_sum)
- self.errors = errors
- self.hiden_value = self.forward(self.x)
- h_row, h_col = self.hiden_value.shape
- hiden_states = np.zeros((h_row, h_col))
- hiden_states[self.hiden_value > np.random.random((h_row, h_col))] = 1
- self.rebuild_value = self.backward(hiden_states)
- self.w = Wavg
- self.h_bais = b
- self.v_bias = c
- def visualize(self, X):
- D, N = X.shape
- s = int(np.sqrt(D))
- if s == int(np.floor(s)):
- num = int(np.ceil(np.sqrt(N)))
- a = np.zeros((num*s + num + 1, num * s + num + 1)) - 1.0
- x = 0
- y = 0
- for i in range(0, N):
- z = X[:,i]
- z = z.reshape(s,s,order='F')
- z = z.transpose()
- a[x*s+1+x - 1:x*s+s+x , y*s+1+y - 1:y*s+s+y ] = z
- x = x + 1
- if
新的改变
我们对Markdown编辑器进行了一些功能拓展与语法支持,除了标准的Markdown编辑器功能,我们增加了如下几点新功能,帮助你用它写博客:
- 全新的界面设计 ,将会带来全新的写作体验;
- 在创作中心设置你喜爱的代码高亮样式,Markdown 将代码片显示选择的高亮样式 进行展示;
- 增加了 图片拖拽 功能,你可以将本地的图片直接拖拽到编辑区域直接展示;
- 全新的 KaTeX数学公式 语法;
- 增加了支持甘特图的mermaid语法1 功能;
- 增加了 多屏幕编辑 Markdown文章功能;
- 增加了 焦点写作模式、预览模式、简洁写作模式、左右区域同步滚轮设置 等功能,功能按钮位于编辑区域与预览区域中间;
- 增加了 检查列表 功能。
功能快捷键
撤销:Ctrl/Command + Z
重做:Ctrl/Command + Y
加粗:Ctrl/Command + B
斜体:Ctrl/Command + I
标题:Ctrl/Command + Shift + H
无序列表:Ctrl/Command + Shift + U
有序列表:Ctrl/Command + Shift + O
检查列表:Ctrl/Command + Shift + C
插入代码:Ctrl/Command + Shift + K
插入链接:Ctrl/Command + Shift + L
插入图片:Ctrl/Command + Shift + G
合理的创建标题,有助于目录的生成
直接输入1次#,并按下space后,将生成1级标题。
输入2次#,并按下space后,将生成2级标题。
以此类推,我们支持6级标题。有助于使用TOC
语法后生成一个完美的目录。
如何改变文本的样式
强调文本 强调文本
加粗文本 加粗文本
标记文本
删除文本
引用文本
H2O is是液体。
210 运算结果是 1024.
插入链接与图片
链接: link.
图片:
带尺寸的图片:
当然,我们为了让用户更加便捷,我们增加了图片拖拽功能。
如何插入一段漂亮的代码片
去博客设置页面,选择一款你喜欢的代码片高亮样式,下面展示同样高亮的 代码片
.
// An highlighted block var foo = 'bar';
生成一个适合你的列表
- 项目
- 项目
- 项目
- 项目
- 项目1
- 项目2
- 项目3
- 计划任务
- 完成任务
创建一个表格
一个简单的表格是这么创建的:
项目 | Value |
---|---|
电脑 | $1600 |
手机 | $12 |
导管 | $1 |
设定内容居中、居左、居右
使用:---------:
居中
使用:----------
居左
使用----------:
居右
第一列 | 第二列 | 第三列 |
---|---|---|
第一列文本居中 | 第二列文本居右 | 第三列文本居左 |
SmartyPants
SmartyPants将ASCII标点字符转换为“智能”印刷标点HTML实体。例如:
TYPE | ASCII | HTML |
---|---|---|
Single backticks | 'Isn't this fun?' | ‘Isn’t this fun?’ |
Quotes | "Isn't this fun?" | “Isn’t this fun?” |
Dashes | -- is en-dash, --- is em-dash | – is en-dash, — is em-dash |
创建一个自定义列表
-
Markdown
- Text-to- HTML conversion tool Authors
- John
- Luke
如何创建一个注脚
一个具有注脚的文本。2
注释也是必不可少的
Markdown将文本转换为 HTML。
KaTeX数学公式
您可以使用渲染LaTeX数学表达式 KaTeX:
Gamma公式展示 Γ ( n ) = ( n − 1 ) ! ∀ n ∈ N \Gamma(n) = (n-1)!\quad\forall n\in\mathbb N Γ(n)=(n−1)!∀n∈N 是通过欧拉积分
Γ ( z ) = ∫ 0 ∞ t z − 1 e − t d t   . \Gamma(z) = \int_0^\infty t^{z-1}e^{-t}dt\,. Γ(z)=∫0∞tz−1e−tdt.
你可以找到更多关于的信息 LaTeX 数学表达式here.
新的甘特图功能,丰富你的文章
gantt
dateFormat YYYY-MM-DD
title Adding GANTT diagram functionality to mermaid
section 现有任务
已完成 :done, des1, 2014-01-06,2014-01-08
进行中 :active, des2, 2014-01-09, 3d
计划一 : des3, after des2, 5d
计划二 : des4, after des3, 5d
- 关于 甘特图 语法,参考 这儿,
UML 图表
可以使用UML图表进行渲染。 Mermaid. 例如下面产生的一个序列图::
这将产生一个流程图。:
- 关于 Mermaid 语法,参考 这儿,
FLowchart流程图
我们依旧会支持flowchart的流程图:
- 关于 Flowchart流程图 语法,参考 这儿.
导出与导入
导出
如果你想尝试使用此编辑器, 你可以在此篇文章任意编辑。当你完成了一篇文章的写作, 在上方工具栏找到 文章导出 ,生成一个.md文件或者.html文件进行本地保存。
导入
如果你想加载一篇你写过的.md文件或者.html文件,在上方工具栏可以选择导入功能进行对应扩展名的文件导入,
继续你的创作。
注脚的解释 ↩︎