個人的な経験に基づくディープラーニングの導入ルート（シンプルで高速）
https://blog.csdn.net/weixin_44414948/article/details/109704871
入門的なディープラーニングの2段階のデモ演習：https：
//blog.csdn.net/weixin_44414948/article/details/110673660
デモタスク：
numpyを使用して、畳み込みニューラルネットワークを手動で構築し（ディープラーニングフレームワークを呼び出さずに）、畳み込み操作、パラメーターの更新、その他のルール、および基盤となるCNNの実装についての理解を深めます。
データセット：mnist、正解率は70％を超えています。
追加要件：同じグラフにトレーニングプロセスの損失曲線とacc曲線を描き、テストセットの精度のグラフを傍受します。
注：弟の反応が少し難しいため、以前のmnistデータセットは使用されていません。。。
サンプルコード：
参照ブログ（詳細な理論上のルールの説明があります）：https：
//blog.csdn.net/lzx159951/article/details/105099166
import numpy as np
import matplotlib.pyplot as plt
#数据导入以及处理
def deal_data():
#读取文件数据，此时数据形状是(7084,)，即所有数据在一行中
housingdata = np.fromfile('housing.data',sep=' ')
#修改数据格式，将每一条房屋数据放在一行中。
housingdata = np.array(housingdata).reshape((-1,14))#此时数据形状为(506,14)
#对数据的前13个属性进行归一化操作，有助于提高模型精准度，这里使用max-min归一化方式。公式为(x-min)/(max-min)
for i in range(13):
Max = np.max(housingdata[:,i])
Min = np.min(housingdata[:,i])
housingdata[:,i]=(housingdata[:,i]-Min)/(Max-Min)
#依据2-8原则，80%的数据作为训练数据，20%数据作为测试数据；此时训练数据是405条，测试数据是101条
Splitdata = round(len(housingdata)*0.8)
Train = housingdata[:Splitdata]#训练数据集
Test = housingdata[Splitdata:]#测试数据集
return Train,Test
#模型设计以及配置
#首先确定有13个权值参数w，并随机初始化
class Model_Config(object):
def __init__(self,firstnetnum,secondnetnum):
np.random.seed(1)
self.w0 = np.random.randn(firstnetnum*secondnetnum,1).reshape(firstnetnum,secondnetnum)
self.w1 = np.random.randn(secondnetnum,1)
self.b0 = np.random.randn(firstnetnum,1).reshape(1,firstnetnum)
self.b1 = np.random.randn(1,1)
#计算预测值
def forward(self,x):
hidden1 = np.dot(x,self.w0)+self.b0
y = np.dot(hidden1,self.w1)+self.b1
return hidden1,y
#设置损失函数,这里使用差平方损失函数计算方式
def loss(self,z,y):
error = z-y
cost = error*error
avg_cost = np.mean(cost)
return avg_cost
#计算梯度
def back(self,x,y):
hidden1,z = self.forward(x)
#hidden层的梯度
gradient_w1 = (z-y)*hidden1
gradient_w1 = np.mean(gradient_w1,axis=0)#这里注意，axis=0必须写上，否则默认将这个数组变成一维的求平均
gradient_w1 = gradient_w1[:,np.newaxis]#
gradient_b1 = (z-y)
gradient_b1 = np.mean(gradient_b1)
gradient_w0 = np.zeros(shape=(13,13))
for i in range(len(x)):
data = x[i,:]
data = data[:,np.newaxis]
# print("data.shape",data.shape)
w1 = self.w1.reshape(1,13)
# print("self.w1.shape",w1.shape)
gradient_w01 = (z-y)[i]*np.dot(data,w1)
# print("gradient_w01.shape:",gradient_w01.shape)
gradient_w0+=gradient_w01
gradient_w0 = gradient_w0/len(x)
w2 = self.w1.reshape(1,13)
gradient_b0 =np.mean((z-y)*w2,axis=0)
return gradient_w1,gradient_b1,gradient_w0,gradient_b0
#输入层的梯度
#(z-y)x*self.w1
# gradient_w0 = np.zeros(shape=(13,13))
# gradient_w01 = gradient_w1.reshape(1,13)
# for i in range(13):
# data = x[:,i]
# data = data[:,np.newaxis]
# gradient = data*gradient_w01
# gradient = np.mean(gradient,axis=0)
# gradient_w0[i,:] = gradient
# gradient_b0 = gradient_b1*self.b0
# return gradient_w1,gradient_b1,gradient_w0,gradient_b0
#使用梯度更新权值参数w
def update(self,gradient_w1,gradient_b1,gradient_w0,gradient_b0,learning_rate):
self.w1 = self.w1-learning_rate*gradient_w1
self.b1 = self.b1-learning_rate*gradient_b1
self.w0 = self.w0-learning_rate*gradient_w0
self.b0 = self.b0-learning_rate*gradient_b0
#开始训练
def train(self,epoch_num,x,y,learning_rate):
#循环迭代
losses=[]
for i in range(epoch_num):
_,z = self.forward(x)
avg_loss = self.loss(z,y)
gradient_w1,gradient_b1,gradient_w0,gradient_b0 = self.back(x,y)
self.update(gradient_w1,gradient_b1,gradient_w0,gradient_b0,learning_rate)
losses.append(avg_loss)
#每进行20此迭代，显示一下当前的损失值
if(i%20==0):
print("iter:{},loss:{}".format(i,avg_loss))
return losses
def showpeocess(loss,epoch_num):
plt.title("The Process Of Train")
plt.plot([i for i in range(epoch_num)],loss)
plt.xlabel("epoch_num")
plt.ylabel("loss")
plt.show()
if __name__ == '__main__':
Train,Test = deal_data()
np.random.shuffle(Train)
#只获取前13个属性的数据
x = Train[:,:-1]
y = Train[:,-1:]
epoch_num = 1000#设置迭代次数
Model = Model_Config(13,13)
losses = Model.train(epoch_num=epoch_num,x=x,y=y,learning_rate=0.001)
showpeocess(loss=losses,epoch_num=epoch_num)
トレーニングプロセスの損失印刷情報を次の図に示します。
描画された曲線を次の図に示します。
参照ブログ（詳細な理論上のルールの説明があります）：https：
//blog.csdn.net/lzx159951/article/details/105099166