2021-03-09

Deep Learning for Computer Vision with Python

---

前言

随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。

---

一、GD是什么？

GD就是传统得到梯度下降法。
梯度：就是对多元函数在某点求偏导，并且令偏导等于0，这点的下降速度是最快的（对于局部来说）
因此，我们将参数学习模型简化为F = w₁x₁ + w₂x₂ + b₁ + b₂，对上述四个参数w₁，w₂ ，b₁ ，b₂求偏导，对应求出来的值，就是其梯度。
更新原来的参数以w₁为例， w₁ = w₁ + lr * （w₁的偏导）（lr叫做学习率，也可以叫做步长：沿着梯度方向走多远）
更新完所有参数，则完成了一次GD。

二、使用步骤

1.引入库

代码如下（示例）：

import  numpy as np
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report
from sklearn.datasets import make_blobs
import matplotlib.pyplot as plt
import argparse

2.代码

代码如下（示例）：

parse = argparse.ArgumentParser()
parse.add_argument("lr", type = float, default = 0.01, help = "input your learning rate")
parse.add_argument("--epoch", type = int, default = 500, help = "input epoch")
arg = parse.parse_args()

def activation_fuction(x):
    return 1 / (1 + np.exp(-x))
def predict(X , W):
    preds = activation_fuction(X.dot(W))
    preds[preds <= 0.5] = 0
    preds[preds > 0.5] = 1
    return preds

if __name__ == '__main__':
    #generate datat sample
    (X ,Y) = make_blobs(1000, n_features = 2, centers = 2, cluster_std = 1.5, random_state = 1)
    #X的shape = (1000, 2), Y的shape = （1000, 1）
    Y = Y.reshape(Y.shape[0], 1)
    X = np.c_[X, np.ones((X.shape[0], 1))]
    #随机切割样本
    trainx, testx, trainy, testy = train_test_split(X, Y, test_size = 0.5, random_state = 42)
    ######初始化权重矩阵W

    W = np.random.randn(3,1)
    Loss = []
    for i in range(arg.epoch):
        preds = predict(trainx, W)
        error = trainy - preds
        loss = np.sum(1/2*error**2)
        Loss.append(loss)
        gradient = trainx.T.dot(error)
        W += arg.lr * gradient
        if i > 0 and (i + 1)%5:
            print(f"epoch {i+1}/{arg.epoch+1}: {loss}")
    preds = predict(testx, W)
    print(classification_report(testy, preds))

    color = []
    for s in testy:
        if s == 1:
            color.append('r')
        else:
            color.append('b')
    ##第一张图，测试集分布散点图
    plt.style.use("ggplot")
    plt.figure()
    plt.title("data")
    plt.scatter(testx[:,0], testx[:,1],c = color)

    ##第二章图 loss图
    plt.style.use("ggplot")
    plt.figure()
    plt.title("Train Loss")
    plt.xlabel("epoch")
    plt.ylabel("Loss")
    plt.plot(range(0,arg.epoch), Loss)
    plt.show()

---

总结

就这样啦