6_逻辑回归拟合二维数据-找 y=2x 的规律

叁歲伎倆 2023-06-10 08:24 10阅读 0赞

### 文章目录 ###

*  一、题目：混乱的数据中找 y=2x 的规律
 *   *  1、随机函数
     *  2、准备训练数据
     *  3、神经网络训练
     *  4、总结问题:

# 一、题目：混乱的数据中找 y=2x 的规律 #

## 1、随机函数 ##

# (1) numpy.random.rand(c,r) #生成0-1之间,c行r列
    # (2) numpy.random.randn() #正太分布
    # (3) numpy.random.randint(low, high=None, size=None, dtype=’l’) 正太
    ''' 返回随机整数，范围区间为[low,high），包含low，不包含high 参数：low为最小值，high为最大值，size为数组维度大小，dtype为数据类型，默认的数据类型是np.int high没有填写时，默认生成随机数的范围是[0，low) '''
    a = np.random.rand(4,2) 
    print(a, '\n______\n')
    
    a = np.random.randn(2,4)
    print(a, '\n______\n')
    
    a = np.random.randint(-5,5,size=(2,2))
    print(a)

[[0.89389775 0.64800302]
     [0.31295588 0.42463888]
     [0.63642806 0.61083627]
     [0.15232416 0.01857432]] 
    ______
    
    [[-1.42809966 -1.06904246  1.07176606 -0.08966346]
     [ 0.70358473  0.31523783 -0.53473004  0.34234035]] 
    ______
    
    [[ 0 -2]
     [ 0  3]]

## 2、准备训练数据 ##

import numpy as np
    import pandas as pd
    from pandas import Series,DataFrame#多维数组
    
    import matplotlib.pyplot as plt
    %matplotlib inline #用于在jupyter中显示
    seed=24
    rdm = np.random.RandomState(seed)#随机数生成器
    train_X = np.linspace(-1,1,100)
    train_Y =[ [ 2*x + (rdm.rand()/10.0  - 0.05) ] for x in X ] 
    #rand 构造0-1 随机数, 除10以后,构造0-0.1的随机数, 在减0.05变成-0.05 - 0.05
    
    plt.plot(train_X,train_Y, 'ro',label='Original data')
    plt.legend() #增加标签等图标
    plt.show()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMyNDYwODE5_size_16_color_FFFFFF_t_70]

![\[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-L7bKp2qw-1572079218591)(attachment:image.png)\]][img-L7bKp2qw-1572079218591_attachment_image.png]

## 3、神经网络训练 ##

'''总结注意: 训练数据 train_X, train_Y 正向输入 in_x, in_y 正向输出 out_y loss计算 in_y - out_y '''
    
    import tensorflow as tf
    import numpy as np
    import pandas as pd
    from pandas import Series,DataFrame#多维数组
    
    import matplotlib.pyplot as plt
    %matplotlib inline 
    #用于在jupyter中显示
    
    #准备数据 训练集
    seed=24
    rdm = np.random.RandomState(seed)#随机数生成器
    train_X = np.linspace(-1,1,100)
    train_Y =[ [ 2*x + (rdm.rand()/10.0  - 0.05) ] for x in X ] 
    #rand 构造0-1 随机数, 除10以后,构造0-0.1的随机数, 在减0.05变成-0.05 - 0.05随机数
    #即噪声是 y=2x+(正负0.05)
    
    # print(train_X,"\n\n\n",train_Y)
    
    def sess_run(s):
        with tf.Session() as sess:
            init = tf.global_variables_initializer()
            sess.run(init)
            print(sess.run(s))
    
    #前向结构
    in_x = tf.placeholder("float")
    in_y = tf.placeholder("float")  #注意注意,这里不能对于一维输入的时候一定要改成"float"空类型,为什么呢?因为一维在tensorflow中无法计算,会在后面程序中报错
    # in_x = tf.placeholder(tf.float32, shape=(None,1)) 
    # in_y = tf.placeholder(tf.float32, shape=(None,1))
    
    #模型参数
    w = tf.Variable(tf.random_normal([1], name="weight", seed=1, stddev=1) )
    b = tf.Variable(tf.zeros([1]), name="bias")
    # 参数显示
    sess_run(w)
    sess_run(b)
    
    #前向结构
    out_y = tf.multiply(in_x,w)+b
    print(out_y)
    # sess_run(out_y)
    
    # 反向优化
    loss = tf.reduce_mean(tf.square(in_y-out_y))  #计算损失
    learning_rate = 0.01  #微调率
    train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss) #梯度下降算法
    training_steps = 100
    batch_size = 2
    #启动session
    with tf.Session() as sess:
        init = tf.global_variables_initializer()
        sess.run(init)
        plot_data = { "batchsize":[], "loss":[]} ##存放批次值和损失值
        for i in range(training_steps): ###向模型输入数据 训练了training_steps*100=20,00次
            # #方法1
            # for i in range(100):#数据0-99训练
            # sess.run(train_step, feed_dict={in_x:train_X[i], in_y:train_Y[i]}) 
            
            # #方法2
            # for (x,y) in zip(train_X,train_Y): #100组数据压缩成(x,y_) 进行训练100个数据训练一次
            # sess.run(train_step, feed_dict={in_x:x, in_y:y})
    
    
            # # 注意,这里方法3,4有问题,
            # #方法3
            # sess.run(train_step, feed_dict={in_x:train_X[0:100], in_y:train_Y[0:100]})
             
            #方法4 
            start = (i*batch_size)%100                      #0 10 20
            end = (i*batch_size)%100 + batch_size           #10 20 30
            sess.run(train_step, feed_dict={ in_x:train_X[start:end], in_y:train_Y[start:end]}) #训练32个数据中8个数据
            #打印损失 
            # loss_ = sess.run(loss, feed_dict={in_x:x, in_y:y})
            # if loss_ > 0.0005 :
            # print(loss_)
            # else:
            # break;
       
        print("w=",sess.run(w),"\nb=",sess.run(b))

[-0.8113182]
    [0.]
    Tensor("add_82:0", dtype=float32)
    w= [0.53533095] 
    b= [0.22387224]

## 4、总结问题: ##

问题1 tensorflow中不能使用一维进行运算,不然会出错  
所以定义数据的时候`in_x = tf.placeholder("float")`

问题2 在训练的时候,  
有四种反向训练方法:

下面是循环一次的程序:

#方法1 将所有数据喂入,循环20次就能得到很好结果
    for i in range(100):#数据0-99训练
        sess.run(train_step, feed_dict={ in_x:train_X[i], in_y:train_Y[i]}) 
    
    #方法2 将所有数据喂入,循环20次就能得到很好结果
    for (x,y) in zip(train_X,train_Y):  
        sess.run(train_step, feed_dict={ in_x:x, in_y:y})
    
    #方法3 将每次喂入100,但是结果不太好,循环20次就能得到很好结果
    sess.run(train_step, feed_dict={ in_x:train_X[0:100], in_y:train_Y[0:100]})
    
    #方法4 #每次喂食10个,循环20次,得不到想要的趋势结果,加大大循环后能改善,但不好
    start = (i*batch_size)%100                      #0 10 20
    end = (i*batch_size)%100 + batch_size           #10 20 30
    sess.run(train_step, feed_dict={ in_x:train_X[start:end], in_y:train_Y[start:end]}) #训练32个数据中8个数据

所以 每次小训练数据集,可以直接把数据进行喂食,增加效率,  
如果每次分几份喂食,需要增加大循环,

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMyNDYwODE5_size_16_color_FFFFFF_t_70]: /images/20230531/4a3c589cd17a41018bb4809b9aafaa77.png
[img-L7bKp2qw-1572079218591_attachment_image.png]: /images/20230531/71b4a8bec5e3452f89558282a3448e56.png