网站打不开404,竞网网站建设,做网站设计学那个专业好,房地产网站策划#x1f3bc;个人主页#xff1a;【Y小夜】
#x1f60e;作者简介#xff1a;一位双非学校的大二学生#xff0c;编程爱好者#xff0c;
专注于基础和实战分享#xff0c;欢迎私信咨询#xff01;
#x1f386;入门专栏#xff1a;#x1f387;【MySQL#xff0…
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【MySQLJava基础Rust】
热门专栏【PythonJavawebVue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
import numpy as np
import matplotlib .pyplot as plt
linenp.linspace(-2,2,100)
plt.plot(line,np.maximum(line,0),labelrelu,linestyle-.)
plt.plot(line,np.tanh(line),labeltanh,linestyle--)
plt.legend(locbest)
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
from sklearn.neural_network import MLPClassifier
import pandas as pd
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
irisload_iris()
xiris.data[:,:2]
yiris.target
x_train,x_test,y_train,y_testtrain_test_split(x,y,random_state42)
mlpMLPClassifier(solverlbfgs)
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。 #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))
Zmlp.predict(np.c_[xx.ravel(),yy.ravel()])
Z Z.reshape(xx.shape)
plt.figure()
plt.pcolormesh(xx,yy,Z,cmapcmap_light)
#将数据特征用散点图表示出来
plt.scatter(x[:, 0],x[:,1], cy,edgecolork,s60)plt.xlim(xx.min(),xx.max())
plt.ylim(yy.min(),yy.max())
#设定图题
plt.title(MLPClassifier:solverlbfgs)
#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
#隐藏层节点数为20个
mlp_20MLPClassifier(solverlbfgs,hidden_layer_sizes[20])
mlp_20.fit(x_train,y_train)
Z1mlp_20.predict(np.c_[xx.ravel(),yy.ravel()])
Z1Z1.reshape(xx.shape)
plt.figure()
plt.pcolormesh(xx,yy,Z1,cmapcmap_light)
#使用散点图画出x
plt.scatter(x[:,0],x[:,1],cy,edgecolork,s60)
plt.xlim(xx.min(),xx.max())
plt.ylim(yy.min(),yy.max())
#设置图题
plt.title(MLPClassifier:nodes10)
#显示图形
plt.show()
print(MLPClassifier:nodes20 得分 {:.2f}8.format(mlp_20.score(x_train,y_train)*100)) #两层隐藏层节点数为20个mlp_2LMLPClassifier(solverlbfgs,hidden_layer_sizes[20,20])
mlp_2L.fit(x_train,y_train)
Z1mlp_2L.predict(np.c_[xx.ravel(),yy.ravel()])
Z1 Z1.reshape(xx.shape)
plt.figure()
plt.pcolormesh(xx,yy,Z1,cmapcmap_light)
#用散点图画出x
plt.scatter(x[:,0],x[:,1],cy,edgecolork,s60)
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
#设置激活函数为tanh
mlp_tanhMLPClassifier(solverlbfgs,hidden_layer_sizes[20,20], activation tanh)
mlp_tanh.fit(x_train,y_train)
#重新画图
Z2mlp_tanh.predict(np.c_[xx.ravel(),yy.ravel()])
Z2 Z2.reshape(xx.shape)
plt.figure()
plt.pcolormesh(xx,yy,Z2,cmapcmap_light)
#散点图画出x
plt.scatter(x[:, 0],x[:,1],cy,edgecolork, s60)
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
#修改模型的alpha 参数
mlp_alphaMLPClassifier(solverlbfgs,hidden_layer_sizes[20,20], activationtanh,alpha1)
mlp_alpha.fit(x_train,y_train)
#重新绘制图形
Z3mlp_alpha.predict(np.c_[xx.ravel(),yy.ravel()])
Z3Z3.reshape(xx.shape)
plt.figure()
plt.pcolormesh(xx,yy,Z3,cmapcmap_light)
#散点图画出x
plt.scatter(x[:,0],x[:,1],cy,edgecolork,s60)
plt.xlim(xx.min(),xx.max())
plt.ylim(yy.min(),yy.max())
#设定图题
plt.title(MLPClassifier:alpha1)
#显示图形
plt.show()
print(MLPClassifier:alpha1 得分{:.2f}%.format(mlp_alpha.score(x_train,y_train)*100))
