狠狠色丁香婷婷久久综合麻豆,国产99久久久久久免费看,与亲女洗澡时伦了视频,一面膜胸口一面膜下免费

【深度學習】DNN房價預測

前言

我們使用深度學習網絡實現波士頓房價預測，深度學習的目的就是尋找一個合適的函數輸出我們想要的結果。深度學習實際上是機器學習領域中一個研究方向，深度學習的目標是讓機器能夠像人一樣具有分析學習的能力，能夠識別文字、圖像、聲音等數據。我認為深度學習與機器學習最主要的區別就是神經元。

公司主營業務：成都網站建設、網站設計、移動網站開發等業務。幫助企業客戶真正實現互聯網宣傳，提高企業的競爭能力。創新互聯是一支青春激揚、勤奮敬業、活力青春激揚、勤奮敬業、活力澎湃、和諧高效的團隊。公司秉承以“開放、自由、嚴謹、自律”為核心的企業文化，感謝他們對我們的高要求，感謝他們從不同領域給我們帶來的挑戰，讓我們激情的團隊有機會用頭腦與智慧不斷的給客戶帶來驚喜。創新互聯推出坡頭免費做網站回饋大家。

深度學習中重要內容

建立模型——神經元

  • 基本構造

    • 一個神經元對應一組權重w，a代表輸入，我們把輸入與權重相乘再相加，再加上偏置b，最后通過激活函得到對應的輸出。
    • 我們不看激活函數，只看前面的部分會發現其實就是一個線性函數f=kx+b（k表示斜率，b表示截距）
    • w和b就是我們需要在訓練中需要尋找的，
    • 學習網絡就是通過很多個這樣的神經元組合而成。

建立模型——激活函數

  • 為什么引入激活函數

    • 激活函數是為了增強網絡的表達能力，我們需要激活函數來將線性函數轉變為非線性函數。
    • 非線性的激活函數需要有連續性，因為連續非線性激活函數可導的，所以可以用最優化的方法來求解

  • 激活函數的種類

建立模型——前饋神經網絡

  • 我們輸入1和-1分別和每一組的權重相乘相加得到4和-2的結果，然后經過激活函數（激活函數實際上也是一個簡單函數，但是具有某些特性，可以用來解決問題的目的，例如激活函數是y=x-1,我們輸入4，輸出結果就是3。）得到0.98和0.12.依次往后計算就是前饋神經網絡。

建立模型——深度神經網絡

  • 神經網絡解決的問題有很多，例如分類、預測、回歸等。這里我們給出兩個解決類型。

  • 分類

    • 輸出層就是輸入的數據維度，例如我們要分類圖形是正方型還是長方形，那我們可以是3維的輸入，一個內角，兩條臨邊。就可以判斷。也可以是五維的，一個內角，4條邊）
    • 輸出層y就是結果，就上面舉例的圖形分類，那結果可以有2個，長方形和正方形，例如y1代表長方形，y2代表正方形，輸出的結果那個數值大就是那種類型，也可以增加一個都不是的結果）

  • 預測

    • 今天的波士頓房價預測就是預測模型，我們通過地段，房屋面積等等，預測房價的多少。

損失函數

  • 常用損失函數
    平方損失函數、交叉熵損失函數，不同的問題運用不同的損失函數
  • 用于衡量我們輸入結果和真實結果的差異
  • 目的通過損失去修正我們的參數是我們的模型更完美

實踐——波士頓房價預測

數據集

使用paddle飛槳波士頓數據集

https://www.paddlepaddle.org.cn/documentation/docs/zh/api/paddle/text/UCIHousing_cn.html

繪圖

## 繪圖

Batch = 0
Batchs = []
all_train_accs = []
def draw_train_acc(Batchs,train_accs):
    title = "training accs"
    plt.title(title)
    plt.xlabel("batch")
    plt.ylabel("acc")
    plt.plot(Batchs, train_accs, color = 'green', label = 'training accs')
    plt.legend()
    plt.grid()
    plt.show()


all_train_loss = []
def draw_train_loss(Batchs,train_loss):
    title = "training loss"
    plt.title(title)
    plt.xlabel("batch")
    plt.ylabel("loss")
    plt.plot(Batchs, train_loss, color = 'red', label = 'training loss')
    plt.legend()
    plt.grid()
    plt.show()

## 繪制真實值與預測值的對比圖
def draw_infer_result(groud_truths, infer_results):
    title = 'Boston'
    plt.title(title)
    x = np.arange(1,20)
    y = x
    plt.plot(x,y);
    plt.xlabel("ground truth")
    plt.ylabel("infer result")
    plt.scatter(groud_truths,infer_results,color='green',label='training cost')
    plt.grid()
    plt.show()

網絡搭建


'''
核心

網絡搭建
'''

class MyDNN(paddle.nn.Layer):
    def __init__(self):
        super(MyDNN, self).__init__()

        #self.linear1 = paddle.nn.Linear(13,1,None) #全連接層，paddle.nn.Linear(in_features,out_features,weight)

        self.linear1 = paddle.nn.Linear(13, 32, None)

        self.linear2 = paddle.nn.Linear(32, 64, None)

        self.linear3 = paddle.nn.Linear(64, 32, None)

        self.linear4 = paddle.nn.Linear(32, 1, None)
    def forward(self, inputs): ## 傳播函數
        x = self.linear1(inputs)
        x = self.linear2(x)
        x = self.linear3(x)
        x = self.linear4(x)
        return x

模型訓練與測試


'''
網絡訓練與測試
'''


## 實例化
model = MyDNN()
model.train()
mse_loss = paddle.nn.MSELoss()
opt = paddle.optimizer.SGD(learning_rate=0.001, parameters=model.parameters())
epochs_num = 100


for epochs in range(epochs_num):
    for batch_id,data in enumerate(train_loader()):
        feature = data[0]
        label = data[1]
        predict = model(feature)
        loss = mse_loss(predict, label)
        loss.backward()
        opt.step()
        opt.clear_grad()
        if batch_id!=0 and batch_id%10 == 0:
            Batch = Batch+10
            Batchs.append(Batch)
            all_train_loss.append(loss.numpy()[0])
            print("epoch{},step:{},train_loss:{}".format(epochs,batch_id,loss.numpy()[0]))

paddle.save(model.state_dict(),"UCIHousingDNN")
draw_train_loss(Batchs,all_train_loss)



para_state = paddle.load("UCIHousingDNN")
model = MyDNN()
model.eval()
model.set_state_dict(para_state)
losses = []


for batch_id,data in enumerate(eval_loader()):
    feature = data[0]
    label = data[1]
    predict = model(feature)
    loss = mse_loss(predict,label)
    losses.append(loss.numpy()[0])
avg_loss = np.mean(losses)

print(avg_loss)


draw_infer_result(label,predict)

代碼

## 深度學習框架
import paddle

import numpy as np
import os
import matplotlib.pyplot as plt



## 繪圖

Batch = 0
Batchs = []
all_train_accs = []
def draw_train_acc(Batchs,train_accs):
    title = "training accs"
    plt.title(title)
    plt.xlabel("batch")
    plt.ylabel("acc")
    plt.plot(Batchs, train_accs, color = 'green', label = 'training accs')
    plt.legend()
    plt.grid()
    plt.show()


all_train_loss = []
def draw_train_loss(Batchs,train_loss):
    title = "training loss"
    plt.title(title)
    plt.xlabel("batch")
    plt.ylabel("loss")
    plt.plot(Batchs, train_loss, color = 'red', label = 'training loss')
    plt.legend()
    plt.grid()
    plt.show()

## 繪制真實值與預測值的對比圖
def draw_infer_result(groud_truths, infer_results):
    title = 'Boston'
    plt.title(title)
    x = np.arange(1,20)
    y = x
    plt.plot(x,y);
    plt.xlabel("ground truth")
    plt.ylabel("infer result")
    plt.scatter(groud_truths,infer_results,color='green',label='training cost')
    plt.grid()
    plt.show()


'''
數據集加載
'''

train_dataset = paddle.text.datasets.UCIHousing(mode="train")
eval_dataset = paddle.text.datasets.UCIHousing(mode="test")

train_loader = paddle.io.DataLoader(train_dataset,batch_size=32, shuffle=True)
eval_loader = paddle.io.DataLoader(eval_dataset,batch_size=8,shuffle=False)

print(train_dataset[1])


'''
核心

網絡搭建
'''

class MyDNN(paddle.nn.Layer):
    def __init__(self):
        super(MyDNN, self).__init__()

        #self.linear1 = paddle.nn.Linear(13,1,None) #全連接層，paddle.nn.Linear(in_features,out_features,weight)

        self.linear1 = paddle.nn.Linear(13, 32, None)

        self.linear2 = paddle.nn.Linear(32, 64, None)

        self.linear3 = paddle.nn.Linear(64, 32, None)

        self.linear4 = paddle.nn.Linear(32, 1, None)
    def forward(self, inputs): ## 傳播函數
        x = self.linear1(inputs)
        x = self.linear2(x)
        x = self.linear3(x)
        x = self.linear4(x)
        return x


'''
網絡訓練與測試
'''


## 實例化
model = MyDNN()
model.train()
mse_loss = paddle.nn.MSELoss()
opt = paddle.optimizer.SGD(learning_rate=0.001, parameters=model.parameters())
epochs_num = 100


for epochs in range(epochs_num):
    for batch_id,data in enumerate(train_loader()):
        feature = data[0]
        label = data[1]
        predict = model(feature)
        loss = mse_loss(predict, label)
        loss.backward()
        opt.step()
        opt.clear_grad()
        if batch_id!=0 and batch_id%10 == 0:
            Batch = Batch+10
            Batchs.append(Batch)
            all_train_loss.append(loss.numpy()[0])
            print("epoch{},step:{},train_loss:{}".format(epochs,batch_id,loss.numpy()[0]))

paddle.save(model.state_dict(),"UCIHousingDNN")
draw_train_loss(Batchs,all_train_loss)



para_state = paddle.load("UCIHousingDNN")
model = MyDNN()
model.eval()
model.set_state_dict(para_state)
losses = []


for batch_id,data in enumerate(eval_loader()):
    feature = data[0]
    label = data[1]
    predict = model(feature)
    loss = mse_loss(predict,label)
    losses.append(loss.numpy()[0])
avg_loss = np.mean(losses)

print(avg_loss)


draw_infer_result(label,predict)

結果展示

文章題目：【深度學習】DNN房價預測
文章位置：http://www.hntjjpw.com/article2/dsogioc.html

成都網站建設公司_創新互聯，為您提供面包屑導航、網站營銷、軟件開發、網站內鏈、營銷型網站建設、移動網站建設

廣告

聲明：本網站發布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網站立場，如需處理請聯系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源： 創新互聯

成都網站建設公司
主站蜘蛛池模板： 刚察县| 宁蒗| 临城县| 六盘水市| 天祝| 阳信县| 淅川县| 彭州市| 高邑县| 青冈县| 凤山县| 灵武市| 临城县| 瓦房店市| 平利县| 宁强县| 齐齐哈尔市| 陇川县| 商都县| 锡林浩特市| 铁力市| 汉中市| 寿阳县| 车险| 二手房| 纳雍县| 通许县| 益阳市| 稻城县| 怀安县| 石家庄市| 焉耆| 奉化市| 铁岭县| 郁南县| 治县。| 中宁县| 卫辉市| 江口县| 建宁县| 油尖旺区|