julia神经网络实现加法运算

想用julia的Flux来做神经网络的训练，但网络上现有代码不太多，主要是model接受的data很难理解到底是什么格式的数据,遂实现一个简单的程序来探究。

导包

using Flux

如果没安装的话有可以运行如下代码进行安装:

ENV["JULIA_PKG_SERVER"] = "https://mirrors.tuna.tsinghua.edu.cn/julia"
using Pkg
Pkg.add("Flux")

生成数据集:

x=rand(-10000:10000,2,10000)
#对于y的生成有两种方式
y=x[1,:]+x[2,:]
y=y'
#还可以
#y=sum(x,dims=1)

注意,julia的Flux的train!函数接受的data为一个二元组，元组第一个元素是特征x的矩阵,需要是每一列是一个样本数据,一般在csv读入的是每一行是一个样本，在julia中往往需要做一个转置，第二个元素是标签y,同x。

定义模型,损失函数，以及优化器

#一层网络，由于x是二维特征，两个输入对应一个输出，由于是线性模型，不加激活函数效果较好，若加
#可如Dense(2 =>1,sigmoid),多层网络的话可以加多个Dense,每个Dense用，隔开
model = Chain(
    Dense(2 => 1)
) 
#可以尝试用Flux的均方差,如loss(x,y)=Flux.mse(model(x),y)
loss(x, y) = sum((model(x) - y).^2)
#可以用其他优化函数如:opt=Descent(0.01)
opt =ADAM(0.01)

开始训练

for i in 1:10000
  Flux.train!(loss, Flux.params(model), [(x, y)], opt)
  if i % 1000 == 0
      println("Epoch $i, Loss: $(loss(x, y))")
  end
end

检验结果

model([1.0;233])

效果还行