0
点赞
收藏
分享

微信扫一扫

【人工智能原理自学】深度学习:神奇的DeepLearning


😊你好,我是小航,一个正在变秃、变强的文艺倾年。
🔔笔记来自B站UP主Ele实验室的《小白也能听懂的人工智能原理》。
🔔本文讲解深度学习:神奇的DeepLearning,一起卷起来叭!

目录

  • ​​一、“调参”​​
  • ​​二、“炼丹”​​

【人工智能原理自学】深度学习:神奇的DeepLearning_深度学习

一、“调参”

今天我们以著名的​​Tensorflow游乐场​​​为例,体验“调参侠”的“快乐”!
🔗参考链接:​​​Tensflow游乐场​​

码住,我们先了解一下网站是干嘛的:

【人工智能原理自学】深度学习:神奇的DeepLearning_人工智能_02


我们先选择第三个数据集,调参模拟训练一下:

【人工智能原理自学】深度学习:神奇的DeepLearning_人工智能_03


训练结果:

【人工智能原理自学】深度学习:神奇的DeepLearning_深度学习_04


我们再试一个圈圈数据集:

【人工智能原理自学】深度学习:神奇的DeepLearning_数据集_05

💡我们思考,它需要几个神经元呢?

我们定性分析一下,还是看图说话,一个神经元是一条直线,三个神经元形成三条直线刚好形成闭合的形状。

【人工智能原理自学】深度学习:神奇的DeepLearning_数据集_06


💡如此看来,我们需要三个神经元作为一层隐藏层,然后把三个神经元的计算结果通过一个输出层神经元汇合,通过​​sigmoid函数​​修饰一下,就可以了。

【人工智能原理自学】深度学习:神奇的DeepLearning_激活函数_07


果然,最后的输出结果:​​等高线​​完美的分割了这两类豆豆

【人工智能原理自学】深度学习:神奇的DeepLearning_数据集_08


我们再来试试第二个数据集:

【人工智能原理自学】深度学习:神奇的DeepLearning_tensorflow_09

这个数据集其实是感知器最初发展阶段,困扰研究人员很多年的一个问题:

【人工智能原理自学】深度学习:神奇的DeepLearning_人工智能_10


但现在我们知道只需要三个神经元即可分割:

【人工智能原理自学】深度学习:神奇的DeepLearning_tensorflow_11


我们再来看最后一个​​蚊香​​一样的螺旋形数据集:

【人工智能原理自学】深度学习:神奇的DeepLearning_数据集_12


很明显,只有一层三个神经元的隐藏层的神经网络,在这种复杂的数据集上表现十分疲软,那我们就用更深、神经元数量也更多的网络来尝试一下。我们增加到三层隐藏层,每层有四个神经元:

【人工智能原理自学】深度学习:神奇的DeepLearning_激活函数_13


然而训练结果,动也不动,这是因为我们的老伙计“sigmoid”激活函数的问题。我们之前说过之所以选择sigmoid函数作为激活函数,那是因为相比于阶跃函数处处可导,且导数处处不为0,这样我们反向传播算法,梯度下降求导很是方便

【人工智能原理自学】深度学习:神奇的DeepLearning_数据集_14


但我们发现一旦原离中心点,虽然仍旧可导,导数不为0,但是导数却及其的小,这样梯度下降就很难进行。

所以我们一般使用​​relu算法​​:

【人工智能原理自学】深度学习:神奇的DeepLearning_数据集_15


一半很难遇到折点,如果真遇到了,那就特殊处理一下叭。

如果陷入​​z<0​​​的部分,很有可能导致这个神经元死亡,也就是​​死亡Relu问题​​(根据求导链式法则,如果激活函数求导为0那就锁定了这个神经元的参数梯度为0,权重将无法更新)

【人工智能原理自学】深度学习:神奇的DeepLearning_数据集_16


所以人们又提出了一种改进版的Relu函数:

【人工智能原理自学】深度学习:神奇的DeepLearning_数据集_17


不过梯度消失不止与激活函数有关,还有其他因素有关,目前也有很多相关的研究,但按照经验使用relu激活函数都会有不错的效果。

【人工智能原理自学】深度学习:神奇的DeepLearning_人工智能_18


我们把激活函数改为Relu函数,再试一次:

【人工智能原理自学】深度学习:神奇的DeepLearning_深度学习_19


咦,似乎有了点效果,我们把每层的神经元增加到8个:

【人工智能原理自学】深度学习:神奇的DeepLearning_数据集_20


嗯,效果好了不少!

二、“炼丹”

我们对上述过程代码实现:

🔨豆豆数据集模拟:​​dataset.py​

import numpy as np
import random

def get_beans(counts):
posX,posY = genSpiral(int(counts/2),0,1)
negX,negY = genSpiral(int(counts/2),np.pi,0)
X = np.vstack((posX,negX))
Y = np.hstack((posY,negY))
return X,Y

def genSpiral(counts,deltaT, label):
X = np.zeros((counts,2))
Y = np.zeros(counts)
for i in range(counts):
r = i / counts * 5
t = 1.75 * i / counts * 2 * np.pi + deltaT;
x1 = r * np.sin(t) + random.uniform(-0.1,0.1)
x2 = r * np.cos(t) + random.uniform(-0.1,0.1)
X[i] = np.array([x1,x2])
Y[i] = label
return X,Y

def dist(a, b):
dx = a['x'] - b['x'];
dy = a['y']- b['y'];
return np.sqrt(dx * dx + dy * dy);
def getCircleLabel(p, center):
radius = 1;
if dist(p, center) < (radius * 0.5):
return 1
else:
return 0

def randUniform(a=-1, b=1):
return np.random.rand() * (b - a) + a;

def classifyCircleData(numSamples=100, noise=0):
points = [];
Y = []
X = []
radius = 1;
num = int(numSamples/2)
for i in range(num):
r = randUniform(0, radius * 0.5);
angle = randUniform(0, 2 * np.pi);
x = r * np.sin(angle);
y = r * np.cos(angle);
noiseX = randUniform(-radius, radius) * noise;
noiseY = randUniform(-radius, radius) * noise;
label = getCircleLabel({'x': x + noiseX, 'y': y + noiseY}, {'x': 0, 'y': 0});
X.append([x+1,y+1])
Y.append(label)


for i in range(num):
r = randUniform(radius * 0.7, radius);
angle = randUniform(0, 2 * np.pi);
x = r * np.sin(angle);
y = r * np.cos(angle);
noiseX = randUniform(-radius, radius) * noise;
noiseY = randUniform(-radius, radius) * noise;
label = getCircleLabel({'x': x + noiseX, 'y': y + noiseY}, {'x': 0, 'y': 0});
X.append([x+1,y+1])
Y.append(label)

X = np.array(X)
Y = np.array(Y)

return X,Y

🚩豆豆毒性分布如下:

【人工智能原理自学】深度学习:神奇的DeepLearning_数据集_21


绘图工具:​​plot_utils.py​

import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
import numpy as np
from keras.models import Sequential#导入keras


def show_scatter_curve(X,Y,pres):
plt.scatter(X, Y)
plt.plot(X, pres)
plt.show()

def show_scatter(X,Y):
if X.ndim>1:
show_3d_scatter(X,Y)
else:
plt.scatter(X, Y)
plt.show()


def show_3d_scatter(X,Y):
x = X[:,0]
z = X[:,1]
fig = plt.figure()
ax = Axes3D(fig)
ax.scatter(x, z, Y)
plt.show()

def show_surface(x,z,forward_propgation):
x = np.arange(np.min(x),np.max(x),0.1)
z = np.arange(np.min(z),np.max(z),0.1)
x,z = np.meshgrid(x,z)
y = forward_propgation(X)
fig = plt.figure()
ax = Axes3D(fig)
ax.plot_surface(x, z, y, cmap='rainbow')
plt.show()



def show_scatter_surface(X,Y,forward_propgation):
if type(forward_propgation) == Sequential:
show_scatter_surface_with_model(X,Y,forward_propgation)
return
x = X[:,0]
z = X[:,1]
y = Y

fig = plt.figure()
ax = Axes3D(fig)
ax.scatter(x, z, y)

x = np.arange(np.min(x),np.max(x),0.1)
z = np.arange(np.min(z),np.max(z),0.1)
x,z = np.meshgrid(x,z)

X = np.column_stack((x[0],z[0]))
for j in range(z.shape[0]):
if j == 0:
continue
X = np.vstack((X,np.column_stack((x[0],z[j]))))

print(X.shape)
r = forward_propgation(X)
y = r[0]
if type(r) == np.ndarray:
y = r


y = np.array([y])
y = y.reshape(x.shape[0],z.shape[1])
ax.plot_surface(x, z, y, cmap='rainbow')
plt.show()

def show_scatter_surface_with_model(X,Y,model):
#model.predict(X)

x = X[:,0]
z = X[:,1]
y = Y

fig = plt.figure()
ax = Axes3D(fig)
ax.scatter(x, z, y)

x = np.arange(np.min(x),np.max(x),0.1)
z = np.arange(np.min(z),np.max(z),0.1)
x,z = np.meshgrid(x,z)



X = np.column_stack((x[0],z[0]))

for j in range(z.shape[0]):
if j == 0:
continue
X = np.vstack((X,np.column_stack((x[0],z[j]))))

print(X.shape)
y = model.predict(X)

# return
# y = model.predcit(X)
y = np.array([y])
y = y.reshape(x.shape[0],z.shape[1])
ax.plot_surface(x, z, y, cmap='rainbow')
plt.show()

def pre(X,Y,model):
model.predict(X)

梯度下降:​​beans_predict.py​

import dataset
import plot_utils
from keras.models import Sequential
from keras.layers import Dense
from keras.optimizers import SGD

m = 100
X, Y = dataset.get_beans(m)
plot_utils.show_scatter(X, Y)

model = Sequential()

model.add(Dense(units=8, activation='relu', input_dim=2))
model.add(Dense(units=8, activation='relu'))
model.add(Dense(units=8, activation='relu'))
model.add(Dense(units=1, activation='sigmoid'))

model.compile(loss='mean_squared_error', optimizer=SGD(lr=0.05), metrics=['accuracy'])
model.fit(X, Y, epochs=5000, batch_size=10)

pres = model.predict(X)

plot_utils.show_scatter_surface(X, Y, model)

🚩训练前:

【人工智能原理自学】深度学习:神奇的DeepLearning_数据集_22


🚩训练后:

【人工智能原理自学】深度学习:神奇的DeepLearning_深度学习_23

📌 [ 笔者 ]   文艺倾年
📃 [ 更新 ] 2023.1.19
❌ [ 勘误 ] /* 暂无 */
📜 [ 声明 ] 由于作者水平有限,本文有错误和不准确之处在所难免,
本人也很想知道这些错误,恳望读者批评指正!
🔍 [ 代码 ] https://github.com/itxaiohanglover/ai_lesson

【人工智能原理自学】深度学习:神奇的DeepLearning_数据集_24


举报

相关推荐

0 条评论