python 深度学习（1） -- 拟合函数 y=x**2

最新推荐文章于 2025-04-04 01:35:06 发布

转载最新推荐文章于 2025-04-04 01:35:06 发布 · 1.1w 阅读

文章标签：

#python #深度学习

探索数据挖掘与分析专栏收录该内容

18 篇文章

订阅专栏

本文通过构建一个简单的二次方函数拟合任务，演示了如何利用Python的neuralpy库搭建并训练神经网络。首先生成了随机数据集并创建对应的标签数据，随后将数据加载到神经网络中进行训练。

Python3.11

Conda

Python

Python 是一种高级、解释型、通用的编程语言，以其简洁易读的语法而闻名，适用于广泛的应用，包括Web开发、数据分析、人工智能和自动化脚本

一直一来，我们都是用 TensorFlow 框架搭建深度神经网络，但其实 python 也提供了相应的统计和学习模块，比如我们要拟合函数 y = x**2

首先生成数据集 x 和标准数据 y = x **2

import numpy as np
import pandas as pd
import random

# 生成 50 个随机值 x
random.seed(2018)
sample_size = 50
sample = pd.Series(random.sample(range(-10000,10000),sample_size))
x = sample/10000

# 生成标注数据 y = x **2
y = x**2

print x.head(10)
print y.head(10)
print x.describe()  # 查看x 的数据分布

然后将数据加载进 dataSet ,格式是 [ ([x_input],[y_input]), ([x_input],[y_input]) .... ]

count = 0
dataSet = [([x.ix[count]],[y.ix[count]])]
count = 1
while count < sample_size:
    print "Working on data item:",count
    dataSet = dataSet + [([x.ix[count,0]],[y.ix[count]])]
    count += 1

导入 neuralpy 包搭建神经网络并训练

import neuralpy
fit = neuralpy.Network(1,3,7,1) ''' 包含两个隐藏层，分别含有 3 个节点和 7 个节点，其中输入一个节点，输出一个节点 '''
# 设置学习周期
epochs = 100
# 学习率设置
learning_rate = 1
print "fitting model right now"
fit.train(dataSet,epochs,learning_rate)

接下来就可以评估表现的模型

count = 0
pred = []
while count < sample_size:
    out = fit.forward(x[count])  # forward 就是前向传播
    print "Obs:", count +1, \
          "y = ",round(y[count],4), \
          "prediction = ",round(pd.Series(out),4)  # pd.Series 就是一维数据的意思
    pred.append(out)
    count += 1

结果如下：