基于python进行数据分析(python基础代码大全)

蜗牛 互联网技术资讯 2022-04-27 43 0

【关键字】

1. Pyhton

2. TensorFlow

3. 机器学习

【场景定义】

假定一些样本数据和正确结果,而且人为添加一些噪音数据(偏差数据),提供给TensorFlow进行机器学习,看看机器学习效果如何,并通过实验理解机器学习

1)样本数据模型:f(x) = ax^2 + bx + c,即抛物线,当然也可以任意定义一个模型

2)噪音数据:y=f(x) + 随机数,随机数就作为偏差值,产生噪音数据

Rw.HAO22.COM

3)输入和输出:输入数据x和输出数据y都是明确的一维数据,是最简单的模型,取值:x=[0,300],得到的y就是输出数据

import tensorflow as tf

import numpy as np

import matplotlib.pyplot as plt

import os

os.environ[‘TF_CPP_MIN_LOG_LEVEL’] = ‘2’

#产生样本数据和图形

numdots=300

inputdata=[]

for i in range(numdots):

x=np.random.normal(0.8,10)

y=0.3*x*x-0.2*x+0.5+np.random.normal(0,6)

inputdata.append([x,y])

x_data=[v[0] for v in inputdata]

y_data=[v[1] for v in inputdata]

【神经网络】

基于Tesonflow构建神经网络,用到了神经网络的几个常用方法:

1)array.reshape(): 生成矩阵

2)placeholder:添加计算占位符节点,相当于定义一个参数,需要重点理解清楚

X = tf.placeholder(dtype=tf.float32, shape=[144, 10], name=’X’)

参数说明

dtype:数据类型,必填,默认为value的数据类型,传入参数为tensorflow下的枚举值(float32,float64…….)

shape:数据形状,选填,不填则随传入数据的形状自行变动,可以在多次调用中传入不同形状的数据

Rw.HAO22.COM

name:常量名,选填,默认值不重复,根据创建顺序为(Placeholder,Placeholder_1,Placeholder_2…….)

3)Variable:变量域,相当于设置一个变量

4)relu:线性整流函数(Rectified Linear Unit, ReLU),又称修正线性单元

5)matmul:将矩阵 a 乘以矩阵 b,生成a * b

6)reduce_mean :计算张量tensor沿着指定的数轴(tensor的某一维度)上的的平均值,主要用作降维或者计算tensor(图像)的平均值

7)GradientDescentOptimizer:实现实现梯度下降算法的优化器类,用于构造一个新的梯度下降优化器实例

#构建神经网络模式

x_data=np.array([x_data]).reshape(-1,1)

y_data=np.array([y_data]).reshape(-1,1)

x_h=tf.placeholder(dtype=tf.float64,shape=[None,1],name=”xh”)

y_h=tf.placeholder(dtype=tf.float64,shape=[None,1],name=”yh”)

w=tf.Variable(np.random.normal(0,0.3,size=[1,20]),dtype=tf.float64)

b=tf.Variable(np.random.normal(0.0,0.5,size=[20]),dtype=tf.float64)

y0=tf.nn.relu(tf.matmul(x_h,w)+b)

w1=tf.Variable(np.random.normal(0,0.5,size=[20,1]),dtype=tf.float64)

Rw.HAO22.COM

b1=tf.Variable(np.random.normal(0,0.8,size=[1]),dtype=tf.float64)

y=(tf.matmul(y0,w1)+b1)

los=tf.reduce_mean((tf.square(y-y_h)))

tran=tf.train.GradientDescentOptimizer(0.001).minimize(los)

【机器训练】

训练主要在session中进行交互,session具有管理CPU/GPU计算能力和网络连接功能,相当于一个上下文,使用参数是:

1)Session:Session作为会话,主要功能是指定操作对象的执行环境,Session类构造函数有3个可选参数。

target(可选):指定连接的执行引擎,多用于分布式场景。

Rw.HAO22.COM

graph(可选):指定要在Session对象中参与计算的图(graph)。

Rw.HAO22.COM

config(可选):辅助配置Session对象所需的参数(限制CPU或GPU使用数目,设置优化参数以及设置日志选项等)。

2)global_variables_initializer:返回一个用来初始化计算图中所有global variable的op,通常使用方式是:sess.run(tf.global_variables_initializer()),启动所需要的数据流图进行计算。

3)session.run:执行计算,参数是:run(op, data),比如:

import tensorflow as tf

a = tf.add(1, 2)

# 定义了一个op操作,恒等于1+2 = 3

b = tf.multiply(a, 2)

# 定义了相乘操作,a*2

session = tf.Session()

v1 = session.run(b)

print(v1)

# v1=(1+2) * 2 =6

replace_dict = {a:20}

# a重新定义为常量20

v2 = session.run(b, feed_dict = replace_dict)

print(v2)

# V2= 20 *2 = 40

训练次数越高,如果模型合理的话,拟合结果会越准确,本文是明确的抛物线模型,所以训练结果能较好的回归

【使用训练结果】

训练结束后,在相同的上下文计算,可以使用训练结果看看学习效果

#用神经网络计算X上的所有点的Y值,绘制图形,看效果

testx=np.linspace(-30,30,60,dtype=np.float32).reshape(-1,1)

testy=sess.run(y,feed_dict={x_h:testx})

#plt.scatter(testx,testy)

plt.scatter(x_data,y_data)

plt.plot(testx,testy)

plt.show()

上述代码可以直接运行,得到结果是:

蓝点:带有噪音的样本数据

曲线:训练结束后,基于训练结果计算得到的数据,已经非常接近于去除噪音的样本模型了

.JVR40 { display:none; }

评论