【机器学习】——卷积与循环的交响曲:神经网络模型在现代科技中的协奏

embedded/2024/11/29 19:46:34/

🎼个人主页:【Y小夜】

😎作者简介:一位双非学校的大二学生,编程爱好者,

专注于基础和实战分享,欢迎私信咨询!

🎆入门专栏:🎇【MySQL,Java基础,Rust】

🎈热门专栏:🎊【Python,Javaweb,Vue框架】

感谢您的点赞、关注、评论、收藏、是对我最大的认可和支持!❤️

学习推荐:

        人工智能是一个涉及数学、计算机科学、数据科学、机器学习神经网络等多个领域的交叉学科,其学习曲线相对陡峭,对初学者来说可能会有一定的挑战性。幸运的是,随着互联网教育资源的丰富,现在有大量优秀的在线平台和网站提供了丰富的人工智能学习材料,包括视频教程、互动课程、实战项目等,这些资源无疑为学习者打开了一扇通往人工智能世界的大门。

        前些天发现了一个巨牛的人工智能学习网站:前言 – 人工智能教程通俗易懂,风趣幽默,忍不住分享一下给大家。

目录

🎯本文概述

🎯认识relu和tanh激活函数

💻可视化出relu和tanh函数,记住这两个函数的输出值范围

🎈代码解析

🎈运行结果

🎯掌握神经网络中的参数调节

💻创建多层感知机分类器模型

🎈代码解析

💻模型参数调节

🎈分别调整隐藏层节点数和层数并进行可视化,观察模型的变化,并输出模型评分

🎈调整激活函数为tanh函数并进行可视化,观察模型变化,并输出模型评分

🎈调整模型复杂度 调整alpha参数的值并进行可视化,观察模型变化,并输出模型评分


🎯本文概述

(一)理解神经网络算法的基本原理

(二)能够使用sklearn库进行神经网络模型的训练和预测

(三)理解激活函数的作用

(四)理解并学会调整hidden_layer_sizes、alpha、activation等参数

🎯认识relu和tanh激活函数

💻可视化出relu和tanh函数,记住这两个函数的输出值范围

🎈代码解析

python">import numpy as np
import matplotlib .pyplot as plt
line=np.linspace(-2,2,100)
plt.plot(line,np.maximum(line,0),label='relu',linestyle="-.")
plt.plot(line,np.tanh(line),label='tanh',linestyle="--")
plt.legend(loc='best')
plt.xlabel('x')
plt.ylabel('tanh(x) and relu(x)')
plt.show()

        这段代码使用numpy和matplotlib库绘制了ReLU和tanh函数的图像。首先生成了一个从-2到2的等差数列line,然后分别计算了ReLU和tanh函数在line上的值,并使用plt.plot()函数将它们绘制在同一张图上。最后添加了图例、坐标轴标签和标题,并使用plt.show()函数显示图像。

🎈运行结果

🎯掌握神经网络中的参数调节

💻创建多层感知机分类器模型

        利用skearn载入鸢尾花数据集,并进行训练集和测试集的划分,创建一个多层感知机MLPClassifier分类器,查看并了解该模型的各个参数,尤其是hidden_layer_sizes、alpha、activation、solver参数的作用。并对该模型进行可视化。

🎈代码解析

python">from sklearn.neural_network import MLPClassifier
import pandas as pd
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
iris=load_iris()
x=iris.data[:,:2]
y=iris.target
x_train,x_test,y_train,y_test=train_test_split(x,y,random_state=42)
mlp=MLPClassifier(solver='lbfgs')
mlp.fit(x_train,y_train)

        这段代码使用sklearn库中的MLPClassifier类实现了一个多层感知机分类器,用于对鸢尾花数据集进行分类。首先导入了MLPClassifier、pandas和load_iris等模块,然后加载了鸢尾花数据集,并从中提取出前两个特征作为输入x和目标y。接着将数据集划分为训练集和测试集,并创建了一个MLPClassifier对象mlp,指定了求解器为'lbfgs'。最后使用fit()方法对训练集进行拟合。


python">#导入画图工具
import numpy as np
import  matplotlib.pyplot  as  plt
from matplotlib.colors import ListedColormap
#以下绘图代码不要求读者掌握,暂不详细注释
cmap_light =ListedColormap(['#FFAFAA','#AAFFDA',  '#FAAAFF'])
cmap_bold =ListedColormap(['#FF0OAA','#00FFOF',  '#OFAOFF'])
x_min,x_max =x_train[:,0].min()-1,x_train[:,0].max()+1
y_min,y_max =x_train[:,1].min()-1,x_train[:,1].max()+1
xx,yy      =np.meshgrid(np.arange(x_min,x_max,.02),
np.arange(y_min,y_max,  .02))
Z=mlp.predict(np.c_[xx.ravel(),yy.ravel()])
Z =Z.reshape(xx.shape)
plt.figure()
plt.pcolormesh(xx,yy,Z,cmap=cmap_light)
#将数据特征用散点图表示出来
plt.scatter(x[:, 0],x[:,1], c=y,edgecolor='k',s=60)plt.xlim(xx.min(),xx.max())
plt.ylim(yy.min(),yy.max())
#设定图题
plt.title("MLPClassifier:solver=lbfgs")
#显示图形
plt.show()

        这段代码是用于绘制一个多层感知机(MLP)分类器的决策边界。首先导入了绘图所需的库,然后定义了两种颜色映射。接着计算数据的最小值和最大值,生成网格点,并使用MLP分类器对网格点进行预测。最后,使用散点图表示数据特征,并显示图形。

🎈运行结果

💻模型参数调节

🎈分别调整隐藏层节点数和层数并进行可视化,观察模型的变化,并输出模型评分

python">#隐藏层节点数为20个
mlp_20=MLPClassifier(solver='lbfgs',hidden_layer_sizes=[20])
mlp_20.fit(x_train,y_train)
Z1=mlp_20.predict(np.c_[xx.ravel(),yy.ravel()])
Z1=Z1.reshape(xx.shape)
plt.figure()
plt.pcolormesh(xx,yy,Z1,cmap=cmap_light)
#使用散点图画出x
plt.scatter(x[:,0],x[:,1],c=y,edgecolor='k',s=60)
plt.xlim(xx.min(),xx.max())
plt.ylim(yy.min(),yy.max())
#设置图题
plt.title("MLPClassifier:nodes=10")
#显示图形
plt.show()
print('MLPClassifier:nodes=20   得分: {:.2f}8'.format(mlp_20.score(x_train,y_train)*100))


python">#两层,隐藏层节点数为20个mlp_2L=MLPClassifier(solver='lbfgs',hidden_layer_sizes=[20,20])
mlp_2L.fit(x_train,y_train)
Z1=mlp_2L.predict(np.c_[xx.ravel(),yy.ravel()])
Z1 =Z1.reshape(xx.shape)
plt.figure()
plt.pcolormesh(xx,yy,Z1,cmap=cmap_light)
#用散点图画出x
plt.scatter(x[:,0],x[:,1],c=y,edgecolor='k',s=60)
plt.xlim(xx.min(),xx.max())
plt.ylim(yy.min(),yy.max())
#设定图题
plt.title("MLPClassifier:2layers")
#显示图形
plt.show()
print('MLPClassifier:2layers   得分: {:.2f}%'.format(mlp_2L.score(x_train,y_train)*100))

🎈调整激活函数为tanh函数并进行可视化,观察模型变化,并输出模型评分

python">#设置激活函数为tanh
mlp_tanh=MLPClassifier(solver='lbfgs',hidden_layer_sizes=[20,20], activation= 'tanh')
mlp_tanh.fit(x_train,y_train)
#重新画图
Z2=mlp_tanh.predict(np.c_[xx.ravel(),yy.ravel()])
Z2 =Z2.reshape(xx.shape)
plt.figure()
plt.pcolormesh(xx,yy,Z2,cmap=cmap_light)
#散点图画出x
plt.scatter(x[:, 0],x[:,1],c=y,edgecolor='k', s=60)
plt.xlim(xx.min(),xx.max())
plt.ylim(yy.min(),yy.max())
#设置图题
plt.title("MLPClassifier:2layers with tanh")
#显示图形
plt.show()
print('MLPClassifier:2layers with tanh得分:{:.2f}%'.format(mlp_tanh.score(x_train,y_train)*100))

🎈调整模型复杂度 调整alpha参数的值并进行可视化,观察模型变化,并输出模型评分

python">#修改模型的alpha 参数
mlp_alpha=MLPClassifier(solver='lbfgs',hidden_layer_sizes=[20,20], activation='tanh',alpha=1)
mlp_alpha.fit(x_train,y_train)
#重新绘制图形
Z3=mlp_alpha.predict(np.c_[xx.ravel(),yy.ravel()])
Z3=Z3.reshape(xx.shape)
plt.figure()
plt.pcolormesh(xx,yy,Z3,cmap=cmap_light)
#散点图画出x
plt.scatter(x[:,0],x[:,1],c=y,edgecolor='k',s=60)
plt.xlim(xx.min(),xx.max())
plt.ylim(yy.min(),yy.max())
#设定图题
plt.title("MLPClassifier:alpha=1")
#显示图形
plt.show()
print('MLPClassifier:alpha=1  得分:{:.2f}%'.format(mlp_alpha.score(x_train,y_train)*100))


http://www.ppmy.cn/embedded/141562.html

相关文章

w056基于web的教学资源库

🙊作者简介:拥有多年开发工作经验,分享技术代码帮助学生学习,独立完成自己的项目或者毕业设计。 代码可以查看文章末尾⬇️联系方式获取,记得注明来意哦~🌹赠送计算机毕业设计600个选题excel文件&#xff0…

观察者模式和发布订阅模式

文章目录 手写观察者模式手写发布订阅模式 观察者模式 Subject 和 Observer 直接绑定,中间无媒介。如点击事件,事件直接和按钮进行绑定。 发布订阅模式 Publisher 和 Observer 相互不认识,中间有媒介。如在 A 组件中绑定一个事件&#xff…

如何利用python爬虫获得店铺的所有商品

在数字化时代,数据的价值日益凸显,尤其是对于电商平台而言,精准获取店铺商品信息对于市场分析、竞争对手研究等方面至关重要。本文将详细介绍如何利用Python爬虫技术精准获取店铺的所有商品信息,并提供代码示例。 1. 准备工作 在…

扫雷-完整源码(C语言实现)

云边有个稻草人-CSDN博客 在学完C语言函数之后,我们就有能力去实现简易版扫雷游戏了(成就感满满),下面是扫雷游戏的源码,快试一试效果如何吧! 在test.c里面进行扫雷游戏的测试,game.h和game.c…

二维码有哪些网络安全风险隐患?

中国网民规模达10亿人,每个人几乎在智能手机用户在其移动设备上使用过二维码。随着人们越来越习惯使用二维码,黑客开始使用它们来寻找另一种窃取凭证和访问敏感信息的方法。 国际知名网络安全专家、东方联盟创始人郭盛华透露:“黑客针对企业的…

豆包MarsCode算法题:三数之和问题

问题描述 思路分析 1. 排序数组 目的: 将数组 arr 按升序排序,这样可以方便地使用双指针找到满足条件的三元组,同时避免重复的三元组被重复计算。优势: 数组有序后,处理两个数和 target - arr[i] 的问题可以通过双指针快速找到所有可能的组…

(附项目源码可免费领取)java开发语言,springboot宿舍管理系统_574,计算机毕设程序开发+文案(LW+PPT)

摘 要 近些年来,随着科技的飞速发展,互联网的普及逐渐延伸到各行各业中,给人们生活带来了十分的便利,宿舍管理系统利用计算机网络实现信息化管理,使整个宿舍管理的发展和服务水平有显著提升。 本文拟采用java技术和Sp…

【机器学习】—逻辑回归

逻辑回归实现详解 介绍 逻辑回归(Logistic Regression)是一种广泛应用于分类问题的统计模型,尤其适用于二分类问题。本文将通过一个简单的例子,使用Python和PyTorch库实现逻辑回归,并通过可视化展示模型的训练过程和…