Chainer的初步學習

　　人們都說Chainer是一塊非常靈活you要用的框架，今天接着項目里面的應用，初步接觸一下，漲漲姿勢，直接上源碼吧，看着好理解。其實跟Tensorflow等其他框架都是一個套路，個人感覺更簡潔了。

 

"""
    測試使用
"""
import pickle
import time
import numpy as np
import matplotlib.pyplot as plt
from chainer import Chain, Variable, optimizers, serializers
import chainer.functions as F
import chainer.links as L

# 創建Chainer Variables變]量
a = Variable(np.array([3], dtype=np.float32))
b = Variable(np.array([4], dtype=np.float32))
c = a**2 +b**2

# 5通過data屬性檢查之前定義的變量
print('a.data:{0}, b.data{1}, c.data{2}'.format(a.data, b.data, c.data))

# 使用backward()方法，對變量c進行反向傳播.對c進行求導
c.backward()
# 通過在變量中存儲的grad屬性，檢查其導數
print('dc/da = {0}, dc/db={1}, dc/dc={2}'.format(a.grad, b.grad, c.grad))

# 在chainer中做線性回歸
x = 30*np.random.rand(1000).astype(np.float32)
y = 7*x + 10
y += 10*np.random.randn(1000).astype(np.float32)

plt.scatter(x, y)
plt.xlabel('x')
plt.ylabel('y')
plt.show()


# 使用chainer做線性回歸

# 從一個變量到另一個變量建立一個線性連接
linear_function = L.Linear(1, 1)
# 設置x和y作為chainer變量，以確保能夠變形到特定形態
x_var = Variable(x.reshape(1000, -1))
y_var = Variable(y.reshape(1000, -1))
# 建立優化器
optimizer = optimizers.MomentumSGD(lr=0.001)
optimizer.setup(linear_function)


# 定義一個前向傳播函數，數據作為輸入，線性函數作為輸出
def linear_forward(data):
    return linear_function(data)


# 定義一個訓練函數，給定輸入數據，目標數據，迭代數
def linear_train(train_data, train_traget, n_epochs=200):
    for _ in range(n_epochs):
        # 得到前向傳播結果
        output = linear_forward(train_data)
        # 計算訓練目標數據和實際標數據的損失
        loss = F.mean_squared_error(train_traget, output)
        # 在更新之前將梯度取零，線性函數和梯度有非常密切的關系
        # linear_function.zerograds()
        linear_function.cleargrads()
        # 計算並更新所有梯度
        loss.backward()
        # 優化器更新
        optimizer.update()


# 繪制訓練結果
plt.scatter(x, y, alpha=0.5)
for i in range(150):
    # 訓練
    linear_train(x_var, y_var, n_epochs=5)
    # 預測值
    y_pred = linear_forward(x_var).data
    plt.plot(x, y_pred, color=plt.cm.cool(i / 150.), alpha=0.4, lw=3)

slope = linear_function.W.data[0, 0]        # linear_function是之前定義的連接，線性連接有兩個參數W和b，此種形式可以獲取訓練后參數的值，slope是斜率的意思
intercept = linear_function.b.data[0]       # intercept是截距的意思
plt.title("Final Line: {0:.3}x + {1:.3}".format(slope, intercept))
plt.xlabel('x')
plt.ylabel('y')
plt.show()