- 瞭解非線性問題、分類問題
- 掌握神經網絡解決二分類問題
- 掌握隨機生成訓練數據的方法
非線性問題
三好學生問題：家長們再次湊到一起，但這次情況不一樣了，孩子們的總分不知道，僅知道是否評選上三好學生的結果。
計算總分的規則仍然是：總分 = 德育分*60% + 智育分*30% + 體育分*10%
評選三好學生的標準是：總分 ≥ 95
家長不知道這兩條規則。
這是一個典型的分類問題。學校一定是以德育分、智育分和體育分三項分數爲依據，把學生們分成兩類：三好學生和非三好學生。因此，這是一個常見的二分類問題。下圖是用神經網絡簡述二分類問題。
分類問題一般是非線性的。
- 可以看出，當總分達到95之後，y值有一個跳變，並非線性的（一條直線）
- y=f（xA），跳變函數/階躍函數
- “一票否決制”
設計神經網絡模型
總分（0~100）= 德育分60% + 智育分30% + 體育分*10% -> 評選結果（0、1）
激活函數：把線性關係轉換成非線性關係的函數。激活函數 sigmoid 函數的作用是把參數轉換成爲 0 到 1 之間的一個小數。
使用激活函數後的神經網絡模型：
實現該網絡模型的代碼：
# import tensorflow as tf
import tensorflow.compat.v1 as tf
tf.compat.v1.disable_eager_execution()
x = tf.placeholder(dtype=tf.float32)
yTrain = tf.placeholder(dtype=tf.float32)
w = tf.Variable(tf.zeros([3]), dtype=tf.float32)
n1 = w * x
n2 = tf.reduce_sum(n1)
y = tf.nn.sigmoid(n2)
準備訓練數據
使用 random 產生隨機數
import random
random.seed() # 初始化隨機數種子，增加隨機性
random.random() # 產生一個 [0,1) 範圍內的小數
r = random.random() * 10 # 通過乘以一個整數，使產生的隨機數的範圍增大，此處範圍爲 [0,10)
產生隨機訓練數據
import random
random.seed()
# 產生一個 [0,100] 範圍內的整數代表某一科分數
xData = [int(random.random() * 101),int(random.random() * 101),int(random.random() * 101)]
# 按規則生成總分
xAll = xData[0] * 0.6 + xData[1] * 0.3 + xData[2] * 0.1
# 按規則生成評選結果
if xAll >= 95:
yTrainData = 1
else:
yTrainData = 0
print("xData: %s" %xData)
print("yTrainData: %s" %yTrainData)
優化產生的訓練數據，產生一個[60,101) 範圍內的更合理的分數:
xData = [
int(random.random() * 41 + 60),
int(random.random() * 41 + 60),
int(random.random() * 41 + 60)
]
產生更多結果爲 1 的訓練數據,產生一個[93,101）範圍內的符合三好學生要求的分數:
xData = [
int(random.random() * 8 + 93),
int(random.random() * 8 + 93),
int(random.random() * 8 + 93)
]
爲什麼要使用隨機數據來訓練神經網絡:
- 並非“劇透”，用於演示和驗證
- 符合人工收集的規貝
- 滿足神經網絡大規模訓練的需要
訓練
# import tensorflow as tf
import tensorflow.compat.v1 as tf
import random
tf.compat.v1.disable_eager_execution()
random.seed()
x = tf.placeholder(dtype=tf.float32)
yTrain = tf.placeholder(dtype=tf.float32)
w = tf.Variable(tf.zeros([3]), dtype=tf.float32)
wn = tf.nn.softmax(w)
n1 = wn * x
n2 = tf.reduce_sum(n1)
y = tf.nn.sigmoid(n2)
loss = tf.abs(yTrain - y)
optimizer = tf.train.RMSPropOptimizer(0.1)
train = optimizer.minimize(loss)
sess = tf.Session()
sess.run(tf.global_variables_initializer())
for i in range(5):
xData = [
int(random.random() * 8 + 93),
int(random.random() * 8 + 93),
int(random.random() * 8 + 93)
]
xAll = xData[0] * 0.6 + xData[1] * 0.3 + xData[2] * 0.1
if xAll >= 95:
yTrainData = 1
else:
yTrainData = 0
result = sess.run(
[train, x, yTrain, w, n2, y, loss],
feed_dict={x:xData, yTrain:yTrainData}
)
print(result)
xData = [
int(random.random() * 41 + 60),
int(random.random() * 41 + 60),
int(random.random() * 41 + 60)
]
xAll = xData[0] * 0.6 + xData[1] * 0.3 + xData[2] * 0.1
if xAll >= 95:
yTrainData = 1
else:
yTrainData = 0
result = sess.run(
[train, x, yTrain, w, n2, y, loss],
feed_dict={x:xData, yTrain:yTrainData}
)
print(result)
觀察訓練結果:
增加偏移量 b 來加速訓練:
+ b = tf.Variable(80, dtype=tf.float32)
- n2 = tf.reduce_sum(n1)
+ n2 = tf.reduce_sum(n1) - b
# import tensorflow as tf
import tensorflow.compat.v1 as tf
import random
tf.compat.v1.disable_eager_execution()
random.seed()
x = tf.placeholder(dtype=tf.float32)
yTrain = tf.placeholder(dtype=tf.float32)
w = tf.Variable(tf.zeros([3]), dtype=tf.float32)
b = tf.Variable(80, dtype=tf.float32)
wn = tf.nn.softmax(w)
n1 = wn * x
n2 = tf.reduce_sum(n1) - b
y = tf.nn.sigmoid(n2)
loss = tf.abs(yTrain - y)
optimizer = tf.train.RMSPropOptimizer(0.1)
train = optimizer.minimize(loss)
sess = tf.Session()
sess.run(tf.global_variables_initializer())
for i in range(5):
xData = [
int(random.random() * 8 + 93),
int(random.random() * 8 + 93),
int(random.random() * 8 + 93)
]
xAll = xData[0] * 0.6 + xData[1] * 0.3 + xData[2] * 0.1
if xAll >= 95:
yTrainData = 1
else:
yTrainData = 0
result = sess.run(
[train, x, yTrain, w, n2, y, loss],
feed_dict={x:xData, yTrain:yTrainData}
)
print(result)
xData = [
int(random.random() * 41 + 60),
int(random.random() * 41 + 60),
int(random.random() * 41 + 60)
]
xAll = xData[0] * 0.6 + xData[1] * 0.3 + xData[2] * 0.1
if xAll >= 95:
yTrainData = 1
else:
yTrainData = 0
result = sess.run(
[train, x, yTrain, w, n2, y, loss],
feed_dict={x:xData, yTrain:yTrainData}
)
print(result)
- b = tf.Variable(80, dtype=tf.float32)
+ b = tf.Variable(95, dtype=tf.float32)
批量產生隨機訓練數據:
import random
import numpy as np
tf.compat.v1.disable_eager_execution()
random.seed()
rowCount = 5
xData = np.full(
shape=(rowCount, 3),
fill_value=0,
dtype=np.float32
)
yTrainData = np.full(
shape=rowCount,
fill_value=0,
dtype=np.float32
)
for i in range(rowCount):
xData[i][0] = int(random.random() * 11 + 90)
xData[i][1] = int(random.random() * 11 + 90)
xData[i][2] = int(random.random() * 11 + 90)
xAll = xData[i][0] * 0.6 + xData[i][0] * 0.3 + xData[i][2] * 0.1
- numpy 是常用於數學計算的類庫
- npful 函數用於向數組中填充初始數值
- 使用循環來生成批量的數據
# import tensorflow as tf
import tensorflow.compat.v1 as tf
import random
import numpy as np
tf.compat.v1.disable_eager_execution()
random.seed()
rowCount = 5
xData = np.full(
shape=(rowCount, 3),
fill_value=0,
dtype=np.float32
)
yTrainData = np.full(
shape=rowCount,
fill_value=0,
dtype=np.float32
)
goodCount = 0
for i in range(rowCount):
xData[i][0] = int(random.random() * 11 + 90)
xData[i][1] = int(random.random() * 11 + 90)
xData[i][2] = int(random.random() * 11 + 90)
xAll = xData[i][0] * 0.6 + xData[i][1] * 0.3 + xData[i][2] * 0.1
if xAll >= 95:
yTrainData[i] = 1
goodCount = goodCount + 1
else:
yTrainData[i] = 0
print("xData=%s" %xData)
print("yTrainData=%s" %yTrainData)
print("goodCount=%s" %goodCount)
x = tf.placeholder(dtype=tf.float32)
yTrain = tf.placeholder(dtype=tf.float32)
w = tf.Variable(tf.zeros([3]), dtype=tf.float32)
b = tf.Variable(80, dtype=tf.float32)
wn = tf.nn.softmax(w)
n1 = wn * x
n2 = tf.reduce_sum(n1) - b
y = tf.nn.sigmoid(n2)
loss = tf.abs(yTrain - y)
optimizer = tf.train.RMSPropOptimizer(0.1)
train = optimizer.minimize(loss)
sess = tf.Session()
sess.run(tf.global_variables_initializer())
for i in range(2):
for j in range(rowCount):
result = sess.run(
[train, x, yTrain, wn, b, n2, y, loss],
feed_dict={x:xData[j], yTrain:yTrainData[j]}
)
print(result)
可以看到，xData 是一個二維數組，其中包含了 5 條數據，每條是 3 項符合定義範圍的分數。tTrainData 中包含 3 個 1，也就是說有 3 位學生符合三好學生的條件，接下來輸出的 goodCount 也確實等於 3，再往下的訓練也一切正常。