环境配置
win10
Python 3.6
tensorflow1.15
scipy
matplotlib (运行时可能会遇到module tkinter的问题)
sklearn 一个基于Python的第三方模块。sklearn库集成了一些常用的机器学习方法。
代码实现
import matplotlib.pyplot as plt import numpy as np import tensorflow as tf from sklearn import datasets from tensorflow.python.framework import ops ops.reset_default_graph() sess = tf.Session()
Session是tensorflow中的一个执行OP和计算tensor的一个类。
补充：
- 张量(tensor)：TensorFlow程序使用tensor数据结构来代表所有的数据，计算图中，操作间传递的数据都是tensor，你可以把TensorFlow tensor看做一个n维的数组或者列表。
- 变量(Variable)：常用于定义模型中的参数，是通过不断训练得到的值。比如权重和偏置。
- 占位符(placeholder)：输入变量的载体。也可以理解成定义函数时的参数。
- 图中的节点操作(op)：一个op获得0个或者多个Tensor，执行计算，产生0个或者多个Tensor。op是描述张量中的运算关系，是网络中真正结构。
# Load the data # 加载iris数据集并为每类分离目标值。 # 因为我们想绘制结果图，所以只使用花萼长度和花瓣宽度两个特征。 # 为了便于绘图，也会分离x值和y值 # iris.data = [(Sepal Length, Sepal Width, Petal Length, Petal Width)] iris = datasets.load_iris() x_vals = np.array([[x[0], x[3]] for x in iris.data]) y_vals1 = np.array([1 if y==0 else -1 for y in iris.target]) y_vals2 = np.array([1 if y==1 else -1 for y in iris.target]) y_vals3 = np.array([1 if y==2 else -1 for y in iris.target]) y_vals = np.array([y_vals1, y_vals2, y_vals3]) #取前两项作为图的横纵坐标 class1_x = [x[0] for i,x in enumerate(x_vals) if iris.target[i]==0] class1_y = [x[1] for i,x in enumerate(x_vals) if iris.target[i]==0] class2_x = [x[0] for i,x in enumerate(x_vals) if iris.target[i]==1] class2_y = [x[1] for i,x in enumerate(x_vals) if iris.target[i]==1] class3_x = [x[0] for i,x in enumerate(x_vals) if iris.target[i]==2] class3_y = [x[1] for i,x in enumerate(x_vals) if iris.target[i]==2]
datasets是sklearn中的 一个包，提供了一些经典的数据集以作模型的运算。
特征存储在iris.data中，标签存储在iris.target中
# Declare batch size # 变量的最高维度 batch_size = 50 # Initialize placeholders # 数据集的维度在变化，从单类目标分类到三类目标分类。 # 我们将利用矩阵传播和reshape技术一次性计算所有的三类SVM。 # 注意，由于一次性计算所有分类， # y_target占位符的维度是[3，None]，模型变量b初始化大小为[3，batch_size] x_data = tf.placeholder(shape=[None, 2], dtype=tf.float32) y_target = tf.placeholder(shape=[3, None], dtype=tf.float32) prediction_grid = tf.placeholder(shape=[None, 2], dtype=tf.float32) # Create variables for svm b = tf.Variable(tf.random_normal(shape=[3,batch_size])) # Gaussian (RBF) kernel 核函数只依赖x_data gamma = tf.constant(-10.0) #dist = tf.reduce_sum(tf.square(x_data), 1) #dist = tf.reshape(dist, [-1,1]) sq_dists = tf.multiply(2., tf.matmul(x_data, tf.transpose(x_data))) my_kernel = tf.exp(tf.multiply(gamma, tf.abs(sq_dists)))
tf.placeholder()--占位符相当于预先分配
reduce()--减小矩阵维数，求和
reshape--重新构造矩阵
注：
multiply--实现元素相乘，相同位置的元素相乘
matmul--实现矩阵相乘
Python 矩阵传播--Python为优化矩阵计算的一系列方法
高斯核函数
# Declare function to do reshape/batch multiplication # 最大的变化是批量矩阵乘法。 # 最终的结果是三维矩阵，并且需要传播矩阵乘法。 # 所以数据矩阵和目标矩阵需要预处理，比如xT·x操作需额外增加一个维度。 # 这里创建一个函数来扩展矩阵维度，然后进行矩阵转置， # 接着调用TensorFlow的tf.batch_matmul（）函数 # 转置后的矩阵与原矩阵相乘（增维可能是为了消除参数项中的常数项） def reshape_matmul(mat): v1 = tf.expand_dims(mat, 1) v2 = tf.reshape(v1, [3, batch_size, 1]) return(tf.matmul(v2, v1)) # Compute SVM Model 计算对偶损失函数 first_term = tf.reduce_sum(b) b_vec_cross = tf.matmul(tf.transpose(b), b) y_target_cross = reshape_matmul(y_target) second_term = tf.reduce_sum(tf.multiply(my_kernel, tf.multiply(b_vec_cross, y_target_cross)),[1,2]) loss = tf.reduce_sum(tf.negative(tf.subtract(first_term, second_term)))
# Gaussian (RBF) prediction kernel # 现在创建预测核函数。 # 要当心reduce_sum（）函数，这里我们并不想聚合三个SVM预测， # 所以需要通过第二个参数告诉TensorFlow求和哪几个 rA = tf.reshape(tf.reduce_sum(tf.square(x_data), 1),[-1,1]) rB = tf.reshape(tf.reduce_sum(tf.square(prediction_grid), 1),[-1,1]) pred_sq_dist = tf.add(tf.subtract(rA, tf.multiply(2., tf.matmul(x_data, tf.transpose(prediction_grid)))), tf.transpose(rB)) pred_kernel = tf.exp(tf.multiply(gamma, tf.abs(pred_sq_dist))) # 实现预测核函数后，我们创建预测函数。 # 与二类不同的是，不再对模型输出进行sign（）运算。 # 因为这里实现的是一对多方法，所以预测值是分类器有最大返回值的类别。 # 使用TensorFlow的内建函数argmax（）来实现该功能 prediction_output = tf.matmul(tf.multiply(y_target,b), pred_kernel) prediction = tf.arg_max(prediction_output-tf.expand_dims(tf.reduce_mean(prediction_output,1), 1), 0) accuracy = tf.reduce_mean(tf.cast(tf.equal(prediction, tf.argmax(y_target,0)), tf.float32)) # Declare optimizer my_opt = tf.train.GradientDescentOptimizer(0.01) train_step = my_opt.minimize(loss) # Initialize variables init = tf.global_variables_initializer() sess.run(init)
# Save graph write_log = tf.summary.FileWriter('./log',tf.get_default_graph()) # Training loop loss_vec = [] batch_accuracy = [] for i in range(100): #取随机数训练模型 rand_index = np.random.choice(len(x_vals), size=batch_size) rand_x = x_vals[rand_index] rand_y = y_vals[:,rand_index] sess.run(train_step, feed_dict={x_data: rand_x, y_target: rand_y}) temp_loss = sess.run(loss, feed_dict={x_data: rand_x, y_target: rand_y}) loss_vec.append(temp_loss) acc_temp = sess.run(accuracy, feed_dict={x_data: rand_x, y_target: rand_y, prediction_grid:rand_x}) batch_accuracy.append(acc_temp) if (i+1)%25==0: print('Step #' + str(i+1)) print('Loss = ' + str(temp_loss)) # 创建数据点的预测网格，运行预测函数 x_min, x_max = x_vals[:, 0].min() - 1, x_vals[:, 0].max() + 1 y_min, y_max = x_vals[:, 1].min() - 1, x_vals[:, 1].max() + 1 xx, yy = np.meshgrid(np.arange(x_min, x_max, 0.02), np.arange(y_min, y_max, 0.02)) grid_points = np.c_[xx.ravel(), yy.ravel()] grid_predictions = sess.run(prediction, feed_dict={x_data: rand_x, y_target: rand_y, prediction_grid: grid_points}) grid_predictions = grid_predictions.reshape(xx.shape)
# 测试random.choice程序 import numpy as np x=np.array([[0,1],[1,2],[2,3]]) randx=np.random.choice(len(x), size=3) print(x) #print('\n') print(randx) print(x[randx]) #print(x[:,randx]) print(len(x))
