飞桨 百度架构师手把手带你零基础实践深度学习21天 学习笔记——零基础入门
第一章:零基础入门深度学习
到今天早上才学习完第一章零基础入门深度学习,在上周我才开始接触python,所以对于代码的理解需要费一些功夫,在看到一个新的函数、新的库都要去搜索学习。
但好在飞桨的课程真的是逐步讲解深度学习的每一个步骤与过程,我也跟着学习理解了这个过程。
由于我的专业是数学系,所以对于一些理论推的理解也吸收较快。
概念理解
深度学习参考了人脑结构,运用了神经网络,他比机器学习、人工智能更加复杂,他集中于文字、图像及语言。
神经网络三个核心点:神经元(加权和、非线性变换——激活函数)、多层连接、正向计算(输出)和反向传播(更新参数)
波士顿房价预测任务(机器学习的‘hello world’)
模型:多元线性回归
模型构建:
数据处理:
在这里我们需要导入数据,并且对数据的形状进行一定的处理。接下来将数据集划分为训练集(80%)与测试集。接着将数据集进行归一化处理,这一点非常重要,他将和房价有关的13个参数进行归一化处理,一是使模型训练更高效;二是使特征前的权重大小可以代表该变量对预测结果的贡献度(因为每个特征值本身的范围相同)。最后将这些步骤封装为一个load_data函数。
模型设计(线性回归模型)
我们以类的方式实现前向计算。
1.使用时可生成多个模型案例
2.类成员变量有w和b,在类初始化函数中初始化变量(w随机初始化,b=0)
3.函数成员forward完成输入特征x到输出z的计算过程(即前向计算)
训练配置
通过损失函数Loss来衡量模型的好坏,通过训练配置寻找模型的最优值。
在这里我们选用均方误差,原因也在作业中进行了考核。
接下来我们使用Numpy的广播功能,实现多样本计算,计算Loss。
但我们要找的是能够使Loss达到最小的w和b,所以我们采用梯度下降法寻找合适的w和b。再通过反向运算,更新参数,实现此过程。
最后我们可以确定Loss最小的点。
将上述步骤封装入train函数。
下面我们进行代码实现:
(我会在后面 注解每一部分代码的用途)
import numpy as np import json import matplotlib.pyplot as plt #定义函数,进行数据处理 def load_data(): # 从文件导入数据 datafile = 'housing.data'#我将数据和代码放在一个文件夹内 data = np.fromfile(datafile, sep=' ') # 每条数据包括14项,其中前面13项是影响因素,第14项是相应的房屋价格中位数 feature_names = [ 'CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE','DIS', 'RAD', 'TAX', 'PTRATIO', 'B', 'LSTAT', 'MEDV' ] feature_num = len(feature_names) # 将原始数据进行Reshape,变成[N, 14]这样的形状 data = data.reshape([data.shape[0] // feature_num, feature_num]) # 将原数据集拆分成训练集和测试集 # 这里使用80%的数据做训练,20%的数据做测试 # 测试集和训练集必须是没有交集的 ratio = 0.8 offset = int(data.shape[0] * ratio) training_data = data[:offset] # 计算训练集的最大值,最小值,平均值 maximums, minimums, avgs = training_data.max(axis=0), training_data.min(axis=0), \ training_data.sum(axis=0) / training_data.shape[0] # 对数据进行归一化处理,使参数的范围在0~1内 for i in range(feature_num): #print(maximums[i], minimums[i], avgs[i]) data[:, i] = (data[:, i] - avgs[i]) / (maximums[i] - minimums[i]) # 训练集和测试集的划分比例 training_data = data[:offset] test_data = data[offset:] return training_data, test_data #接下来去用类的结构进行模型设计 class Network(object): def __init__(self, num_of_weights): # 随机产生w的初始值 # 为了保持程序每次运行结果的一致性,此处设置固定的随机数种子 np.random.seed(0) self.w = np.random.randn(num_of_weights, 1) self.b = 0. def forward(self, x): z = np.dot(x, self.w) + self.b return z def loss(self, z, y): error = z - y num_samples = error.shape[0] cost = error * error cost = np.sum(cost) / num_samples return cost def gradient(self, x, y): z = self.forward(x) gradient_w = (z-y)*x gradient_w = np.mean(gradient_w, axis=0) gradient_w = gradient_w[:, np.newaxis] gradient_b = (z - y) gradient_b = np.mean(gradient_b) return gradient_w, gradient_b def update(self, gradient_w, gradient_b, eta = 0.01): self.w = self.w - eta * gradient_w self.b = self.b - eta * gradient_b def train(self, x, y, iterations=100, eta=0.01): losses = [] for i in range(iterations): z = self.forward(x) L = self.loss(z, y) gradient_w, gradient_b = self.gradient(x, y) self.update(gradient_w, gradient_b, eta) losses.append(L) if (i+1) % 10 == 0: #十的倍数输出训练结果 print('iter {}, loss {}'.format(i, L)) return losses # 获取数据 train_data, test_data = load_data() x = train_data[:, :-1] y = train_data[:, -1:] # 创建网络 net = Network(13) num_iterations=1000 # 启动训练 losses = net.train(x,y, iterations=num_iterations, eta=0.01) # 画出损失函数的变化趋势 plot_x = np.arange(num_iterations) plot_y = np.array(losses) plt.plot(plot_x, plot_y) plt.show()
后续还有对梯度下降法的改进,我们采用随机梯度法进行计算。
- 飞桨 百度架构师手把手带你零基础实践深度学习21天 学习笔记 ——随机梯度法的实现
- 飞桨 百度架构师手把手带你零基础实践深度学习21天 学习笔记——使用飞桨重写波士顿房价预测模型
- 飞桨—百度架构师手把手带你零基础实践深度学习21天 学习笔记——使用飞桨进行深度学习的优势
- 飞桨百度架构师手把手带你零基础实践深度学习——手写数字识别 资源配置
- 飞桨百度架构师手把手带你零基础实践深度学习——手写数字识别网络结构的优化
- 2使用Python语言和Numpy库来构建神经网络模型-波士顿房价预测任务实战案例(百度架构师手把手带你零基础实践深度学习原版笔记系列)
- 飞桨百度架构师手把手带你零基础实践深度学习——手写数字识别训练调试与优化
- 1机器学习和深度学习综述(百度架构师手把手带你零基础实践深度学习原版笔记系列)
- 飞桨百度架构师手把手带你零基础实践深度学习——手写数字识别损失函数的优化
- 飞桨PaddlePaddle百度架构师手把手带你零基础实践深度学习 第一周心得
- PaddlePaddle-百度架构师手把手带你零基础实践深度学习-笔记02(代码详解)
- PaddlePaddle-百度架构师手把手带你零基础实践深度学习-笔记01(代码详解)
- 直播提醒 | 「百度架构师手把手带你实践深度学习」开课啦!
- [笔记]零基础入门深度学习(2) - 线性单元和梯度下降
- “百度架构师手把手教深度学习”课程NLP部分结课心得
- 百度架构师手把手教深度学习之心得
- Python编程:从入门到实践 学习笔记 基础知识(一) 变量与简单数据类型
- 吴恩达深度学习入门学习笔记之神经网络和深度学习(第二周:神经网络基础)
- Python编程:从入门到实践 学习笔记 基础知识(四)字典
- 飞浆深度学习——百度架构师手把手教你深度学习