手写一个对线性不可分数据集进行分类的底层实现

import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' import tensorflow as tf from tensorflow import keras from tensorflow.keras import datasets, layers, optimizers, Sequential, metrics assert tf.__version__.startswith('2.') N_SAMPLES = 2000 # 采样点数 TEST_SIZE = 0.3 # 测试数量比率 # 利用工具函数直接生成数据集 X, y = make_moons(n_samples = N_SAMPLES, noise=0.2, random_state=100) # 将 2000 个点按着 7:3 分割为训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=TEST_SIZE, random_state=42) print(X.shape, y.shape) 可以通过如下可视化代码绘制数据集的分布，如图 7.14 所示。 # 绘制数据集的分布， X 为 2D 坐标， y 为数据点的标签 def make_plot(X, y, plot_name, file_name=None, XX=None, YY=None, preds=None, dark=False): if (dark): plt.style.use('dark_background') else: sns.set_style("whitegrid") plt.figure(figsize=(16,12)) axes = plt.gca() axes.set(xlabel="$x_1$", ylabel="$x_2$") plt.title(plot_name, fontsize=30) plt.subplots_adjust(left=0.20) plt.subplots_adjust(right=0.80) if(XX is not None and YY is not None and preds is not None): plt.contourf(XX, YY, preds.reshape(XX.shape), 25, alpha = 1, cmap=cm.Spectral) plt.contour(XX, YY, preds.reshape(XX.shape), levels=[.5], cmap="Greys", vmin=0, vmax=.6) # 绘制散点图，根据标签区分颜色 plt.scatter(X[:, 0], X[:, 1], c=y.ravel(), s=40, cmap=plt.cm.Spectral, edgecolors='none') plt.savefig('dataset.svg') plt.close() # 调用 make_plot 函数绘制数据的分布，其中 X 为 2D 坐标， y 为标签 make_plot(X, y, "Classification Dataset Visualization ") plt.show() class Layer: # 全连接网络层 def __init__(self, n_input, n_neurons, activation=None, weights=None, bias=None): """ :param int n_input: 输入节点数 :param int n_neurons: 输出节点数 :param str activation: 激活函数类型 :param weights: 权值张量，默认类内部生成 :param bias: 偏置，默认类内部生成 """ # 通过正态分布初始化网络权值，初始化非常重要，不合适的初始化将导致网络不收敛 self.weights = weights if weights is not None else np.random.randn(n_input, n_neurons) * np.sqrt(1 / n_neurons) self.bias = bias if bias is not None else np.random.rand(n_neurons) * 0.1 self.activation = activation # 激活函数类型，如’sigmoid’ self.last_activation = None # 激活函数的输出值 o self.error = None # 用于计算当前层的 delta 变量的中间变量 self.delta = None # 记录当前层的 delta 变量， 用于计算梯度 网络层的前向传播函数实现如下，其中 last_activation 变量用于保存当前层的输出值： def activate(self, x): # 前向传播函数 r = np.dot(x, self.weights) + self.bias # X@W+b # 通过激活函数，得到全连接层的输出 o self.last_activation = self._apply_activation(r) return self.last_activation def _apply_activation(self, r): # 计算激活函数的输出 if self.activation is None: return r # 无激活函数，直接返回 # ReLU 激活函数 elif self.activation == 'relu': return np.maximum(r, 0) # tanh 激活函数 elif self.activation == 'tanh': return np.tanh(r) # sigmoid 激活函数 elif self.activation == 'sigmoid': return 1 / (1 + np.exp(-r)) return r def apply_activation_derivative(self, r): if self.activation is None: return np.ones_like(r) # ReLU 函数的导数实现 elif self.activation == 'relu': grad = np.array(r, copy=True) grad[r > 0] = 1. grad[r <= 0] = 0. return grad # tanh 函数的导数实现 elif self.activation == 'tanh': return 1 - r ** 2 # Sigmoid 函数的导数实现 elif self.activation == 'sigmoid': return r * (1 - r) return r class NeuralNetwork: /* 开发不易，整理也不易，如需要详细的说明文档和程序，以及完整的数据集，训练好的模型，或者进一步开发， 可加作者新联系方式咨询，WX：Q3101759565，QQ：3101759565 */ nn = NeuralNetwork() # 实例化网络类 nn.add_layer(Layer(2, 25, 'sigmoid')) # 隐藏层 1, 2=>25 nn.add_layer(Layer(25, 50, 'sigmoid')) # 隐藏层 2, 25=>50 nn.add_layer(Layer(50, 25, 'sigmoid')) # 隐藏层 3, 50=>25 nn.add_layer(Layer(25, 2, 'sigmoid')) # 输出层, 25=>2 def backpropagation(self, X, y, learning_rate): # 反向传播算法实现 # 前向计算，得到输出值 output = self.feed_forward(X) for i in reversed(range(len(self._layers))): # 反向循环 layer = self._layers[i] # 得到当前层对象 # 如果是输出层 if layer == self._layers[-1]: # 对于输出层 layer.error = y - output # 计算 2 分类任务的均方差的导数 # 关键步骤：计算最后一层的 delta，参考输出层的梯度公式 layer.delta = layer.error * layer.apply_activation_derivative(output) else: # 如果是隐藏层 next_layer = self._layers[i + 1] # 得到下一层对象 layer.error = np.dot(next_layer.weights, next_layer.delta) # 关键步骤：计算隐藏层的 delta，参考隐藏层的梯度公式 layer.delta = layer.error * layer.apply_activation_derivative(layer.last_activation) def backpropagation(self, X, y, learning_rate): … # 代码接上面 # 循环更新权值 for i in range(len(self._layers)): layer = self._layers[i] # o_i 为上一网络层的输出 o_i = np.atleast_2d(X if i == 0 else self._layers[i - 1].last_activation) # 梯度下降算法， delta 是公式中的负数，故这里用加号 layer.weights += layer.delta * o_i.T * learning_rate def train(self, X_train, X_test, y_train, y_test, learning_rate, max_epochs): # 网络训练函数 # one-hot 编码 y_onehot = np.zeros((y_train.shape[0], 2)) y_onehot[np.arange(y_train.shape[0]), y_train] = 1 mses = [] for i in range(max_epochs): # 训练 1000 个 epoch for j in range(len(X_train)): # 一次训练一个样本 self.backpropagation(X_train[j], y_onehot[j], learning_rate) if i % 10 == 0: # 打印出 MSE Loss mse = np.mean(np.square(y_onehot - self.feed_forward(X_train))) mses.append(mse) print('Epoch: #%s, MSE: %f' % (i, float(mse))) # 统计并打印准确率 print('Accuracy: %.2f%%' % (self.accuracy(self.predict(X_test), y_test.flatten()) * 100)) return mses