import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import datasets
import numpy as np
import matplotlib
import matplotlib.pyplot as plt
import sklearn# import datasets
from sklearn import model_selection
import seaborn as sns
from sklearn.datasets import make_moons
#数据集
N_SAMPLES = 2000 # 采样点数
TEST_SIZE = 0.3 # 测试数量比率
# 利用工具函数直接生成数据集
X, y =make_moons(n_samples = N_SAMPLES, noise=0.2, random_state=100)
# 将2000 个点按着7:3 分割为训练集和测试集
X_train, X_test, y_train, y_test =model_selection.train_test_split(
X, y,test_size=TEST_SIZE, random_state=42)
print(X.shape, y.shape)
# 绘制数据集的分布,X 为2D 坐标,y 为数据点的标签
def make_plot(X,y,plot_name,file_name=None,XX=None,YY=None,preds=None,dark=False):
if(dark):
plt.style.use('dark_background')
else:
sns.set_style('white')
plt.figure(figsize=(16,12))
axes = plt.gca() # 设置坐标轴
axes.set(xlabel="$x_1$",ylabel="$y_1$")
plt.title(plot_name, fontsize=30)
plt.subplots_adjust(left=0.2)
plt.subplots_adjust(right=0.8)
if(XX is not None and YY is not None and preds is not None):
#等高线填充
plt.contourf(XX,YY,preds.reshape(XX.shape),25,alpha=1,cmap=plt.cm.Spectral)
#等高线
plt.contour(XX,YY,preds.reshape(XX.shape),levels=[.5],cmap="Grays",vmin=0,vmax=.6)
plt.scatter(X[:,0], X[:,1], c=y.ravel(),s=40,cmap=plt.cm.Spectral,edgecolors='none')
# 调用make_plot 函数绘制数据的分布,其中X 为2D 坐标,y 为标签
make_plot(X, y, 'plot_name')
plt.show()
#网络层
class Layer:
#全连接网络层
def __init__(self,n_input,n_neurons,activation=None,weights=None,bias=None):
"""
:param int n_input: 输入节点数
:param int n_neurons: 输出节点数
:param str activation: 激活函数类型
:param weights: 权值张量,默认类内部生成
:param bias: 偏置,默认类内部生成
"""
# 通过正态分布初始化网络权值,初始化非常重要,不合适的初始化将导致网络不收敛
self.weights=weights if weights is not None else np.random.randn(
n_input,n_neurons)*np.sqrt(1/n_neurons)
self.bias=bias if bias is not None else np.random.rand(n_neurons)*0.1
self.activation=activation# 激活函数类型,如sigmoid
self.last_activation=None# 激活函数的输出值o
self.error=None # 用于计算当前层的delta 变量的中间变量
self.delta=None# 记录当前层的delta 变量,用于计算梯度
# 网络层的前向传播函数实现如下,其中last_activation 变量用于保存当前层的输出值:
def activate(self, x): # 前向传播函数
r = np.dot(x, self.weights) + self.bias # X@W+b
# 通过激活函数,得到全连接层的输出o
self.last_activation = self._apply_activation(r)
return self.last_activation
def _apply_activation(self, r):
# 计算激活函数的输出,实现不同类型的激活函数的前向计算过程,尽管此处只使用Sigmoid 激活函数一种
if self.activation is None:
return r # 无激活函数,直接返回
# ReLU 激活函数
elif self.activation == 'relu':
return np.maximum(r, 0)
# tanh 激活函数
elif self.activation == 'tanh':
return np.tanh(r)
# sigmoid 激活函数
elif self.activation == 'sigmoid':
return 1 / (1 + np.exp(-r))
return r
#针对于不同类型的激活函数,它们的导数计算实现如下:
def apply_activation_derivative(self, r):
# 计算激活函数的导数
# 无激活函数,导数为1
if self.activation is None:
return np.ones_like(r)
# ReLU 函数的导数实现
elif self.activation == 'relu':
grad = np.array(r, copy=True)
grad[r > 0] = 1.
grad[r <= 0] = 0.
return grad
# tanh 函数的导数实现
elif self.activation == 'tanh':
return 1 - r ** 2
# Sigmoid 函数的导数实现
elif self.activation == 'sigmoid':
return r * (1 - r)
return r
#网络模型
#创建单层网络类后,我们实现网络模型的NeuralNetwork 类,它内部维护各层的网络层Layer 类对象
class NeuralNetwork:
# 神经网络模型大类
def __init__(self):
self._layers = [] # 网络层对象列表
def add_layer(self, layer):
# 追加网络层
self._layers.append(layer)
#网络的前向传播只需要循环调各个网络层对象的前向计算函数即可,代码如下:
def feed_forward(self, X):
# 前向传播
for layer in self._layers:
# 依次通过各个网络层
X = layer.activate(X)
return X
def backpropagation(self, X, y, learning_rate):
# 反向传播算法实现
# 前向计算,得到输出值
output = self.feed_forward(X)
for i in reversed(range(len(self._layers))): # 反向循环
layer = self._layers[i] # 得到当前层对象
# 如果是输出层
if layer == self._layers[-1]: # 对于输出层
layer.error = y - output # 计算2 分类任务的均方差的导数
# 关键步骤:计算最后一层的delta,参考输出层的梯度公式
layer.delta = layer.error *layer.apply_activation_derivative(output)
else: # 如果是隐藏层
next_layer = self._layers[i + 1] # 得到下一层对象
layer.error = np.dot(next_layer.weights, next_layer.delta)
# 关键步骤:计算隐藏层的delta,参考隐藏层的梯度公式
layer.delta = layer.error *layer.apply_activation_derivative(
layer.last_activation)
# 循环更新权值
for i in range(len(self._layers)):
layer = self._layers[i]
# o_i 为上一网络层的输出
o_i = np.atleast_2d(X if i == 0 else self._layers[i -1].last_activation)
# 梯度下降算法,delta 是公式中的负数,故这里用加号
layer.weights += layer.delta * o_i.T * learning_rate
#网络训练
def train(self, X_train, X_test, y_train, y_test, learning_rate,max_epochs):
# 网络训练函数
# one-hot 编码
y_onehot = np.zeros((y_train.shape[0], 2))
y_onehot[np.arange(y_train.shape[0]), y_train] = 1
#将One-hot 编码后的真实标签与网络的输出计算均方误差,并调用反向传播函数更新网络参数,循环迭代训练集1000 遍即可。代码如下:
mses = []
for i in range(max_epochs): # 训练1000 个epoch
for j in range(len(X_train)): # 一次训练一个样本
self.backpropagation(X_train[j], y_onehot[j], learning_rate)
if i % 10 == 0:
# 打印出MSE Loss
mse = np.mean(np.square(y_onehot - self.feed_forward(X_train)))
mses.append(mse)
print('Epoch: #%s, MSE: %f' % (i, float(mse)))
# 统计并打印准确率
print('Accuracy: %.2f%%' % (self.accuracy(
self.predict(X_test),y_test.flatten()) * 100))
return mses
《TensorFlow深度学习》笔记
最新推荐文章于 2023-02-16 14:56:30 发布