网站优化包括整站优化吗,中山 做网站,短视频seo获客,西安大型网站建设公司文章目录 前言1.人工神经网络2.计算机神经网络3.反向传播4.梯度下降-cost 函数1.一维2.二维3.局部最优4.迁移学习 5. theano-GPU-CPU theano介绍1.安装2.基本用法1.回归2.分类 3.function用法4.shared 变量5.activation function6.Layer层7.regression 回归例子8.classificatio… 文章目录 前言1.人工神经网络2.计算机神经网络3.反向传播4.梯度下降-cost 函数1.一维2.二维3.局部最优4.迁移学习 5. theano-GPU-CPU theano介绍1.安装2.基本用法1.回归2.分类 3.function用法4.shared 变量5.activation function6.Layer层7.regression 回归例子8.classification分类学习9.过拟合10.正则化11.save model12 总结 前言
本章主要介绍深度学习与python theano。 主要整理来自B站 1.深度学习框架简介 Theano 2.Theano python 神经网络
1.人工神经网络 2.计算机神经网络 3.反向传播 4.梯度下降-cost 函数
1.一维 2.二维 3.局部最优
大部分时间我们只能求得一个局部最优解
4.迁移学习 5. theano-GPU-CPU
tenforflow鼻祖
theano介绍
1.安装
win10安装theano 设置
ldflags -lblaswindow10安装这里要说明一点的是python3.8安装theano会出现一些非常奇怪的问题所以这里选用python3.7.
conda create -n theano_env python3.7
conda activate theano_env
conda install numpy scipy mkl-service libpython m2w64-toolchain#如果想要安装的快点可以使用国内的镜像
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple theano安装后出现了下列问题 WARNING (theano.tensor.blas): Failed to import scipy.linalg.blas, and Theano flag blas.ldflags is empty. Falling back on slower implementations for dot(matrix, vector), dot(vector, matrix) and dot(vector, vector) (DLL load failed: 找不到指定的模块。) 不过想了一下自己也只是学习一下而已慢就慢吧不用C的 2.基本用法
1.回归
拟合曲线 # View more python tutorials on my Youtube and Youku channel!!!# Youtube video tutorial: https://www.youtube.com/channel/UCdyjiB5H8Pu7aDTNVXTTpcg
# Youku video tutorial: http://i.youku.com/pythontutorial# 10 - visualize resultPlease note, this code is only for python 3. If you are using python 2, please modify the code accordingly.from __future__ import print_function
import theano
import theano.tensor as T
import numpy as np
import matplotlib.pyplot as pltclass Layer(object):def __init__(self, inputs, in_size, out_size, activation_functionNone):self.W theano.shared(np.random.normal(0, 1, (in_size, out_size)))self.b theano.shared(np.zeros((out_size, )) 0.1)self.Wx_plus_b T.dot(inputs, self.W) self.bself.activation_function activation_functionif activation_function is None:self.outputs self.Wx_plus_belse:self.outputs self.activation_function(self.Wx_plus_b)# Make up some fake data
x_data np.linspace(-1, 1, 300)[:, np.newaxis]
noise np.random.normal(0, 0.05, x_data.shape)
y_data np.square(x_data) - 0.5 noise # y x^2 - 0.5# show the fake data
plt.scatter(x_data, y_data)
plt.show()# determine the inputs dtype
x T.dmatrix(x)
y T.dmatrix(y)# add layers
l1 Layer(x, 1, 10, T.nnet.relu)
l2 Layer(l1.outputs, 10, 1, None)# compute the cost
cost T.mean(T.square(l2.outputs - y))# compute the gradients
gW1, gb1, gW2, gb2 T.grad(cost, [l1.W, l1.b, l2.W, l2.b])# apply gradient descent
learning_rate 0.05
train theano.function(inputs[x, y],outputs[cost],updates[(l1.W, l1.W - learning_rate * gW1),(l1.b, l1.b - learning_rate * gb1),(l2.W, l2.W - learning_rate * gW2),(l2.b, l2.b - learning_rate * gb2)])# prediction
predict theano.function(inputs[x], outputsl2.outputs)# plot the real data
fig plt.figure()
ax fig.add_subplot(1,1,1)
ax.scatter(x_data, y_data)
plt.ion()
plt.show()for i in range(1000):# trainingerr train(x_data, y_data)if i % 50 0:# to visualize the result and improvementtry:ax.lines.remove(lines[0])except Exception:passprediction_value predict(x_data)# plot the predictionlines ax.plot(x_data, prediction_value, r-, lw5)plt.pause(.5)2.分类 3.function用法 4.shared 变量 5.activation function 6.Layer层 7.regression 回归例子 8.classification分类学习 9.过拟合 10.正则化 11.save model 12 总结
