利用tensorflow实现《神经网络与机器学习》一书中4.7模式分类练习
具体问题是将如下图所示双月牙数据集分类。
使用到的工具:
python3.5 tensorflow1.2.1 numpy matplotlib
1.产生双月环数据集
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
|
def producedata(r,w,d,num): r1 = r-w/2 r2 = r+w/2 #上半圆 theta1 = np.random.uniform(0, np.pi ,num) x_col1 = np.random.uniform( r1*np.cos(theta1),r2*np.cos(theta1),num)[:, np.newaxis] x_row1 = np.random.uniform(r1*np.sin(theta1),r2*np.sin(theta1),num)[:, np.newaxis] y_label1 = np.ones(num) #类别标签为1 #下半圆 theta2 = np.random.uniform(-np.pi, 0 ,num) x_col2 = (np.random.uniform( r1*np.cos(theta2),r2*np.cos(theta2),num) + r)[:, np.newaxis] x_row2 = (np.random.uniform(r1 * np.sin(theta2), r2 * np.sin(theta2), num) -d)[:,np.newaxis] y_label2 = -np.ones(num) #类别标签为-1,注意：由于采取双曲正切函数作为激活函数，类别标签不能为0 #合并 x_col = np.vstack((x_col1, x_col2)) x_row = np.vstack((x_row1, x_row2)) x = np.hstack((x_col, x_row)) y_label = np.hstack((y_label1,y_label2)) y_label.shape = (num*2 , 1) return x,y_label |
其中r为月环半径，w为月环宽度，d为上下月环距离（与书中一致）
2.利用tensorflow搭建神经网络模型
2.1 神经网络层添加
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
def add_layer(layername,inputs, in_size, out_size, activation_function=none): # add one more layer and return the output of this layer with tf.variable_scope(layername,reuse=none): weights = tf.get_variable("weights",shape=[in_size, out_size], initializer=tf.truncated_normal_initializer(stddev=0.1)) biases = tf.get_variable("biases", shape=[1, out_size], initializer=tf.truncated_normal_initializer(stddev=0.1)) wx_plus_b = tf.matmul(inputs, weights) + biases if activation_function is none: outputs = wx_plus_b else: outputs = activation_function(wx_plus_b) return outputs |
2.2 利用tensorflow建立神经网络模型
输入层大小：2
隐藏层大小：20
输出层大小：1
激活函数：双曲正切函数
学习率：0.1（与书中略有不同）
（具体的搭建过程可参考莫烦的视频，链接就不附上了自行搜索吧......）
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
###define placeholder for inputs to network xs = tf.placeholder(tf.float32, [none, 2]) ys = tf.placeholder(tf.float32, [none, 1]) ###添加隐藏层 l1 = add_layer("layer1",xs, 2, 20, activation_function=tf.tanh) ###添加输出层 prediction = add_layer("layer2",l1, 20, 1, activation_function=tf.tanh) ###mse 均方误差 loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction), reduction_indices=[1])) ###优化器选取 学习率设置 此处学习率置为0.1 train_step = tf.train.gradientdescentoptimizer(0.1).minimize(loss) ###tensorflow变量初始化，打开会话 init = tf.global_variables_initializer()#tensorflow更新后初始化所有变量不再用tf.initialize_all_variables() sess = tf.session() sess.run(init) |
2.3 训练模型
|
1
2
3
|
###训练2000次 for i in range(2000): sess.run(train_step, feed_dict={xs: x_data, ys: y_label}) |
3.利用训练好的网络模型寻找分类决策边界
3.1 产生二维空间随机点
|
1
2
3
4
5
|
def produce_random_data(r,w,d,num): x1 = np.random.uniform(-r-w/2,2*r+w/2, num) x2 = np.random.uniform(-r - w / 2-d, r+w/2, num) x = np.vstack((x1, x2)) return x.transpose() |
3.2 用训练好的模型采集决策边界附近的点
向网络输入一个二维空间随机点，计算输出值大于-0.5小于0.5即认为该点落在决策边界附近（双曲正切函数）
|
1
2
3
4
5
6
7
8
9
10
11
|
def collect_boundary_data(v_xs): global prediction x = np.empty([1,2]) x = list() for i in range(len(v_xs)): x_input = v_xs[i] x_input.shape = [1,2] y_pre = sess.run(prediction, feed_dict={xs: x_input}) if abs(y_pre - 0) < 0.5: x.append(v_xs[i]) return np.array(x) |
3.3 用numpy工具将采集到的边界附近点拟合成决策边界曲线，用matplotlib.pyplot画图
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
|
###产生空间随机数据 x_num = produce_random_data(10, 6, -4, 5000) ###边界数据采样 x_b = collect_boundary_data(x_num) ###画出数据 fig = plt.figure() ax = fig.add_subplot(1, 1, 1) ###设置坐标轴名称 plt.xlabel('x1') plt.ylabel('x2') ax.scatter(x_data[:, 0], x_data[:, 1], marker='x') ###用采样的边界数据拟合边界曲线 7次曲线最佳 z1 = np.polyfit(x_b[:, 0], x_b[:, 1], 7) p1 = np.poly1d(z1) x = x_b[:, 0] x.sort() yvals = p1(x) plt.plot(x, yvals, 'r', label='boundray line') plt.legend(loc=4) #plt.ion() plt.show() |
4.效果
5.附上源码github链接
https://github.com/peakulorain/practices.git里的patternclassification.py文件
另注：分类问题还是用softmax去做吧.....我只是用这做书上的练习而已。
（初学者水平有限，有问题请指出，各位大佬轻喷）
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持服务器之家。
原文链接：http://blog.csdn.net/Peakulorain/article/details/76944598
