# -*- coding: utf-8 -*-
"""created on thu oct 4 08:28:15 2018
@author: 37989
"""import numpy as np
import pandas as pd
from matplotlib import pyplot
# 標準化
def standard(x):
x_mean = x.mean(axis=0)
x_std = (((x - x_mean) ** 2).sum(axis=0) / len(x)) ** 0.5
return (x - x_mean) / x_std
# 歸一化
def maxmin(x):
x_min = x.min(axis=0)
x_max = x.max(axis=0)
return (x - x_min) / (x_max - x_min)
# 啟用函式
def sigmod(x):
return 1 / (1 + np.power(np.e, -x))
# 正切函式
def tanh(x):
return 1 - 2 / (np.power(np.e, 2 * x) + 1)
# 建立模型
# 預設隨機[-1,1]初始化權值閾值
def build(netnum):
w, q= ,
for i in range(len(netnum) - 1):
return w, q
# **模型
def predict(w, q, x):
for i in range(len(w)):
x = np.dot(x, w[i]) - q[i]
x = sigmod(x)
return x
# 訓練集，測試集劃分
def datasplit(x, y, testper):
testnum = int(len(x) * testper)
rand = np.random.permutation(len(x))
x_test = x[rand[:testnum]]
y_test = y[rand[:testnum]]
x_train = x[rand[testnum:]]
y_train = y[rand[testnum:]]
return x_train, y_train, x_test, y_test
if __name__ == '__main__':
# maxmin 歸一化
# sigmod 啟用函式
## 載入資料
data = pd.read_csv(r'f:\temp\python\scrapy\myspider\myspider\tensorflow\database\data_continuous.csv')
x_label = ['f1', 'f2', 'f3', 'f4']
y_label = ['r']
x = data[x_label].values
y = data[y_label].values
netnum = [len(x_label)]
# 相關引數設定
learnrate = 0.05 # 學習率
echos = 100 # 迭代次數
netnum += [10] # 隱層節點
testper = 0.3 # 測試集比例
# 標準化
x = maxmin(x)
y = maxmin(y)
# 建立模型
w, q = build(netnum)
x_train, y_train, x_test, y_test = datasplit(x, y, testper)
# 訓練
for num in range(echos):
for position in range(len(x_train)):
x = x_train[position].reshape(1,netnum[0])
y = y_train[position]
out_x = [x]
for i in range(len(w)):
# 隱層結果
temp = np.dot(x, w[i]) - q[i]
x = sigmod(temp)
# 最終輸出
output_y = out_x[-1]
# 更新
e = output_y * (1 - output_y) * (y - output_y)
for i in range(len(w)-1,-1,-1):
x = out_x[i]
n = netnum[i]
w[i] += learnrate * np.dot(x.reshape(n, 1), e)
q[i] -= learnrate * e
e = (w[i] * e).sum(axis=1) * x * (1 - x)
# 驗證網路模型
predict_y = predict(w, q, x_train)
mse = ((y_train - predict_y) ** 2).sum() / len(x_train)
print("第 %d 次訓練，均方誤差為：%f" % (num+1, mse))
# 模型評估
predict_y = predict(w, q, x_test)
mse = ((y_test - predict_y) ** 2).sum() / len(y_test)
print("測試集均方誤差為：%f" % mse)
pyplot.scatter(predict_y, y_test)
pyplot.show()
資料格式：
f1 f2 f3 f4 ....... r1 r2 r3
21.5 4.5 5 6 ....... 2 5 4
可以構造多層神經網路，隱層結構和引數netnum中設定：
比如netnum = [8,6,9]，那麼網路結構為 inputnum -> 8 -> 6 -> 9 -> outputnum
可以設定迭代次數 echos 、學習率learnrate、測試集比重testper
訓練效果一般，僅供練習**。
bp演算法的乙個簡單例子
視覺機器學習20講 中簡單講解了一下bp演算法的基本原理，公式推導看完後不是特別能理解，在網上找到乙個不錯的例子 bp演算法 error back propagation 對bp演算法的理解非常有幫助。於是為了加強記憶，將文中的示例 用python重新寫了一遍。使用梯度下降演算法不斷迭代更新引數w，...
用AJAX編寫乙個簡單的相簿
xml問題終於在今天還是解決了。最後在firefox裡還是使用了dom的一些老方法。我這裡就具體解釋一下方法吧.var xmlhttp 用來定義乙個xmlhttprequest物件 上面這段話是判斷當前瀏覽器版本,以定義給xmlhttp不同的xmlhttprequest物件.如果伺服器的響應沒有xm...
用redis做乙個簡單的秒殺
下面是乙個簡單的下單操作 include mmysql.class.php configarr host port user passwd dbname db new mmysql configarr sql select from sdb b2c products where product id...