python theano 关系_基于python中theano库的线性回归

theano库是做deep learning重要的一部分，其最吸引人的地方之一是你给出符号化的公式之后，能自动生成导数。本文使用梯度下降的方法，进行数据拟合，现在把代码贴在下方

代码块

import numpy as np

import theano.tensor as T

import theano

import time

class Linear_Reg(object):

def __init__(self,x):

self.a = theano.shared(value = np.zeros((1,), dtype=theano.config.floatX),name = 'a')

self.b = theano.shared(value = np.zeros((1,),

dtype=theano.config.floatX),name = 'b')

self.result = self.a * x + self.b

self.params = [self.a,self.b]

def msl(self,y):

return T.mean((y - self.result)**2)

def regrun(rate,data,labels):

X = theano.shared(np.asarray(data,

dtype=theano.config.floatX),borrow = True)

Y = theano.shared(np.asarray(labels,

dtype=theano.config.floatX),borrow = True)

index = T.lscalar() #定义符号化的公式

x = T.dscalar('x') #定义符号化的公式

y = T.dscalar('y') #定义符号化的公式

reg = Linear_Reg(x = x)

cost = reg.msl(y)

a_g = T.grad(cost = cost,wrt = reg.a) #计算梯度

b_g = T.grad(cost = cost, wrt = reg.b) #计算梯度

updates=[(reg.a,reg.a - rate * a_g),(reg.b,reg.b - rate * b_g)] #更新参数

train_model = theano.function(inputs=[index], outputs = reg.msl(y),updates = updates,givens = {x:X[index], y:Y[index]})

done = True

err = 0.0

count = 0

last = 0.0

start_time = time.clock()

while done:

#err_s = [train_model(i) for i in xrange(data.shape[0])]

for i in xxx:

err_s = [train_model(i) ]

err = np.mean(err_s)

#print err

count = count + 1

if count > 10000 or err <0.1:

done = False

last = err

end_time = time.clock()

print 'Total time is ：',end_time -start_time,' s' # 5.12s

print 'last error :',err

print 'a value : ',reg.a.get_value() # [ 2.92394467]

print 'b value : ',reg.b.get_value() # [ 1.81334458]

if __name__ == '__main__':

rate = 0.01

data = np.linspace(1,10,10)

labels = data * 3 + np.ones(data.shape[0],dtype=np.float64) +np.random.rand(data.shape[0])

regrun(rate,data,labels)

其基本思想是随机梯度下降。

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持聚米学院。