建设京东商城网站,射洪网站建设工作室,怎么接游戏推广的业务,58同城网站建设案例梯度检测没有实现。有借鉴网上的部分
导入相关库#xff0c;读取数据
因为这次的数据是mat文件#xff0c;需要使用scipy库中的loadmat进行读取数据。
通过对数据类型的分析#xff0c;发现是字典类型#xff0c;查看该字典的键#xff0c;可以发现又X#xff0c;y等关…梯度检测没有实现。有借鉴网上的部分
导入相关库读取数据
因为这次的数据是mat文件需要使用scipy库中的loadmat进行读取数据。
通过对数据类型的分析发现是字典类型查看该字典的键可以发现又Xy等关键字。
import numpy as np
import scipy.io as sio
from scipy.optimize import minimize
from sklearn.preprocessing import OneHotEncoder#读取数据
path ./ex4data1.mat
data sio.loadmat(path)
# print(type(data))
# print(data.keys())
X data.get(X)
Y data.get(y).flatten()
# X np.insert(X,0,values1,axis1)
# print(Y.shape)
# print(Y)
one-hot编码
在之前没有涉及神经网络的方向传播等时可以直接将Y降维。
而在神经网络中需要对Y进行编码使每一个y值都是一个10维的向量
#one-hot编码
encoder OneHotEncoder(sparseFalse)
Y_onehot encoder.fit_transform(Y.reshape(-1,1))
随机初始化
当使用高级优化算法或者梯度下降算法时需要对向量进行赋值。
第一种想法是全部设为0在逻辑回归中是完全被允许的但在训练神经网络时这种初始值起不到任何作用。因为这会导致第二层激活项的值完全相同因为前一层的权重相同这个问题称为对称权重问题。
为了解决这个问题我们采用随机初始化的方法也就是将每一个都初始化为一个范围在中的一个随机数。
#初始化参数
input_size 400
hidden_size 25
num_labels 10
lamda 1size (input_size1)*hidden_size(hidden_size1)*num_labels
params np.random.uniform(-1.2,1.2,size)序列化
因为到后面优化的时候fun和jac参数要求代价函数和梯度的第一个参数必须为一维向量所以这里需要序列化。
#序列化
def serialize(theta1,theta2):return np.r_[theta1.flatten(),theta2.flatten()]
def deserialize(params):return params[:(input_size1)*hidden_size].reshape(hidden_size,input_size1),params[(input_size1)*hidden_size:].reshape(num_labels,hidden_size1)theta1,theta2 deserialize(params)
前向传播
同上一题一致的前向传播
#前向传播
def feed_forward(params,X):theta1, theta2 deserialize(params)a1 np.insert(X, 0, valuesnp.ones(X.shape[0]), axis1)z2 a1 theta1.Ta2 1/(1np.exp(-z2))a2 np.insert(a2,0,values1,axis1)z3 a2 theta2.Th 1/(1np.exp(-z3))return a1,z2,a2,z3,h
代价函数
不需要正则化
公式如下 #代价函数
def cost_func(params,X,Y,lamda):theta1, theta2 deserialize(params)a1,z2, a2, z3, h feed_forward(params,X)m len(X)cost -np.sum(Y * np.log(h) (1-Y) * np.log(1-h))/mreg (np.sum(np.power(theta1[:,1:],2)) np.sum(np.power(theta2[:,1:],2)))* lamda/(2*m)return regcost
反向传播
相关公式如下 #反向传播
def sigmoid_gradient(z):return 1/(1np.exp(-z))*(1-1/(1np.exp(-z)))def gradientReg(params,X,Y,lamda1):theta1, theta2 deserialize(params)m len(X)a1, z2, a2, z3, h feed_forward(params,X)delta3 h - Ydelta2 delta3 theta2[:,1:] * sigmoid_gradient(z2)Delta2 delta3.T a2 / mDelta1 delta2.T a1 / mtheta1[:, 0] 0theta2[:, 0] 0regDelta1 Delta1 (lamda / m) * theta1regDelta2 Delta2 (lamda / m) * theta2return serialize(regDelta1,regDelta2)
优化
fmin minimize(funcost_func,x0params,args(X,Y_onehot,lamda),methodTNC,jacgradientReg,options{maxiter: 400})
预测
a1,z2,a2,z3,h feed_forward(fmin.x,X)
y_pred np.argmax(h,axis1)
y_pred y_pred 1
acc np.mean(y_predY)
print(acc)准确率达到了98.64%
---------------------------------------------------------------------------------------------------------------------------------
可以先将数据可视化展示手写数字。
def one_image(X):pick_one np.random.randint(5000)image X[pick_one,:]fig,ax plt.subplots()ax.imshow(image.reshape(20,20).T,cmapgray_r)plt.xticks([])plt.yticks([])plt.show()one_image(X)
def more_image(X):pick_more np.random.choice(len(X),100)images X[pick_more,:]fig,ax plt.subplots(nrows10,ncols10, figsize(8, 8), sharexTrue, shareyTrue)for i in range(10):for j in range(10):ax[i,j].imshow(images[10*ij].reshape(20,20).T,cmapgray_r)plt.xticks([])plt.yticks([])plt.show()
more_image(X)
最后可以使用上面写出的函数将隐藏层可视化。
thetafinal1, thetafinal2 deserialize(fmin.x)
hidden_layer thetafinal1[:, 1:]
more_image(hidden_layer)
