Python 이 구현 한 NN 신경 망 알고리즘 전체 예제

이 글 은 파 이 썬 이 구현 한 NN 신경 망 알고리즘 을 실례 로 들 었 다.여러분 께 참고 하도록 공유 하 겠 습 니 다.구체 적 으로 는 다음 과 같 습 니 다.
Github 소스 코드 참조:https://github.com/dennybritz/nn-from-scratch
운행 환경
  • Pyhton3
  • numpy(과학 계산 패키지)
  • matplotlib(그림 그리 기 에 필요 하고 그림 을 그리 지 않 아 도 됩 니 다)
  • sklearn(인공지능 패키지,생 성 데이터 사용)계산 과정

    입력 샘플
    none
    코드 구현
    
    # -*- coding:utf-8 -*-
    #!python3
    __author__ = 'Wsine'
    import numpy as np
    import sklearn
    import sklearn.datasets
    import sklearn.linear_model
    import matplotlib.pyplot as plt
    import matplotlib
    import operator
    import time
    def createData(dim=200, cnoise=0.20):
      """
        :   ,        
        :               
      """
      np.random.seed(0)
      X, y = sklearn.datasets.make_moons(dim, noise=cnoise)
      plt.scatter(X[:, 0], X[:, 1], s=40, c=y, cmap=plt.cm.Spectral)
      #plt.show()
      return X, y
    def plot_decision_boundary(pred_func, X, y):
      """
        :    ,    ,     
        :      (   )
      """
      #        ,        
      x_min, x_max = X[:, 0].min() - .5, X[:, 0].max() + .5
      y_min, y_max = X[:, 1].min() - .5, X[:, 1].max() + .5
      h = 0.01
      #                     
      xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))
      #           
      Z = pred_func(np.c_[xx.ravel(), yy.ravel()])
      Z = Z.reshape(xx.shape)
      #           
      plt.contourf(xx, yy, Z, cmap=plt.cm.Spectral)
      plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.Spectral)
    def calculate_loss(model, X, y):
      """
        :    ,    ,     
        :     
        :         
      """
      W1, b1, W2, b2 = model['W1'], model['b1'], model['W2'], model['b2']
      #              
      z1 = X.dot(W1) + b1
      a1 = np.tanh(z1)
      z2 = a1.dot(W2) + b2
      exp_scores = np.exp(z2)
      probs = exp_scores / np.sum(exp_scores, axis=1, keepdims=True)
      #       
      corect_logprobs = -np.log(probs[range(num_examples), y])
      data_loss = np.sum(corect_logprobs)
      #          (  )
      data_loss += reg_lambda/2 * (np.sum(np.square(W1)) + np.sum(np.square(W2)))
      return 1./num_examples * data_loss
    def predict(model, x):
      """
        :    ,     
        :    
        :      (0 or 1)
      """
      W1, b1, W2, b2 = model['W1'], model['b1'], model['W2'], model['b2']
      #       
      z1 = x.dot(W1) + b1
      a1 = np.tanh(z1)
      z2 = a1.dot(W2) + b2
      exp_scores = np.exp(z2)
      probs = exp_scores / np.sum(exp_scores, axis=1, keepdims=True)
      return np.argmax(probs, axis=1)
    def initParameter(X):
      """
        :   
        :            
                   !
                 !
      """
      global num_examples
      num_examples = len(X) #       
      global nn_input_dim
      nn_input_dim = 2 #      
      global nn_output_dim
      nn_output_dim = 2 #      
      #       
      global epsilon
      epsilon = 0.01 #         
      global reg_lambda
      reg_lambda = 0.01 #      
    def build_model(X, y, nn_hdim, num_passes=20000, print_loss=False):
      """
        :   ,     ,      ,     ,        
        :      
        :               
      """
      #            
      np.random.seed(0)
      W1 = np.random.randn(nn_input_dim, nn_hdim) / np.sqrt(nn_input_dim)
      b1 = np.zeros((1, nn_hdim))
      W2 = np.random.randn(nn_hdim, nn_output_dim) / np.sqrt(nn_hdim)
      b2 = np.zeros((1, nn_output_dim))
      model = {}
      #     
      for i in range(0, num_passes):
        #     
        z1 = X.dot(W1) + b1
        a1 = np.tanh(z1) #       tanh = (exp(x) - exp(-x)) / (exp(x) + exp(-x))
        z2 = a1.dot(W2) + b2
        exp_scores = np.exp(z2) #      
        probs = exp_scores / np.sum(exp_scores, axis=1, keepdims=True)
        #     
        delta3 = probs
        delta3[range(num_examples), y] -= 1
        dW2 = (a1.T).dot(delta3)
        db2 = np.sum(delta3, axis=0, keepdims=True)
        delta2 = delta3.dot(W2.T) * (1 - np.power(a1, 2))
        dW1 = np.dot(X.T, delta2)
        db1 = np.sum(delta2, axis=0)
        #      
        dW2 += reg_lambda * W2
        dW1 += reg_lambda * W1
        #         
        W1 += -epsilon * dW1
        b1 += -epsilon * db1
        W2 += -epsilon * dW2
        b2 += -epsilon * db2
        #     
        model = { 'W1': W1, 'b1': b1, 'W2': W2, 'b2': b2}
        #               
        if print_loss and i % 1000 == 0:
          print("Loss after iteration %i: %f" % (i, calculate_loss(model, X, y)))
      plot_decision_boundary(lambda x: predict(model, x), X, y)
      plt.title("Decision Boundary for hidden layer size %d" % nn_hdim)
      #plt.show()
      return model
    def main():
      dataSet, labels = createData(200, 0.20)
      initParameter(dataSet)
      nnModel = build_model(dataSet, labels, 3, print_loss=False)
      print("Loss is %f" % calculate_loss(nnModel, dataSet, labels))
    if __name__ == '__main__':
      start = time.clock()
      main()
      end = time.clock()
      print('finish all in %s' % str(end - start))
      plt.show()
    
    출력 샘플
    Loss is 0.071316
    finish all in 7.221354361552228

    Python 관련 내용 에 관심 이 있 는 독자 들 은 본 사이트 의 주 제 를 볼 수 있 습 니 다.
    본 논문 에서 말 한 것 이 여러분 의 Python 프로 그래 밍 에 도움 이 되 기 를 바 랍 니 다.

    좋은 웹페이지 즐겨찾기