在创新实训进行的第一周中，小组四人在4月1日上午进行集体会议，并在下午于图书馆一楼一起搭建环境进行初步的学习。我们制定了详细的项目计划与分工，我主要负责利用svm(支持向量机)算法对数据进行分类与训练。
本周我的任务是python环境搭建+tensorflow环境搭建+tensorflow知识入门+svm知识入门+tensorflow／svm进行简单的分二类实例编写。旨在熟悉python语言与tensorflow平台，并对svm模型的应用进行熟悉。以能够看懂实例中的算法并且调试运行为目的，掌握在tensorflow平台下利用svm模型对于分两类的算法思想与架构。
首先是环境的配置，不得不说Mac的unix系统对于python环境的配置还是十分友好的。语言版本我们组统一选择python3.6，tensorflow选用0.18版本，此处不再赘述。
接下来是对tensorflow的学习。我利用的是极客学院的tensorflow中文文档与Stanford深度学习课程：https://www.bilibili.com/video/av17204303。这个课程对我帮助很大，近期也会尽快看完。
svm的学习更多的在于前人博客的阅读。真正要理解svm我认为一周时间是远远不够的，因为很多的公式需要自己在推导一遍才能理解。但是这一周的主要目的是能够学会如何应用，因此对于svm算法的理解着重点就在于找到一个超平面将两组数据分开。超平面在二维平面上看到的就是一条直线，在三维空间中就是一个平面...，因此，我们把这个划分数据的决策边界统称为超平面。离这个超平面最近的点就叫做支持向量，点到超平面的距离叫间隔。支持向量机就是要使超平面和支持向量之间的间隔尽可能的大，这样超平面才可以将两类样本准确的分开，而保证间隔尽可能的大就是保证我们的分类器误差尽可能的小。
以下是实例代码：
import matplotlib.pyplotas plt
import numpyas np
import tensorflowas tf
from sklearnimport datasets
sess = tf.Session()
# 加载数据
# iris.data = [(Sepal Length, Sepal Width, Petal Length, Petal Width)]
iris = datasets.load_iris()
x_vals = np.array([[x[0], x[3]]for xin iris.data])
y_vals = np.array([1 if y ==0 else -1 for yin iris.target])
# 分离训练和测试集
train_indices = np.random.choice(len(x_vals),
round(len(x_vals)*0.8),
replace=False)
test_indices = np.array(list(set(range(len(x_vals))) -set(train_indices)))
x_vals_train = x_vals[train_indices]
x_vals_test = x_vals[test_indices]
y_vals_train = y_vals[train_indices]
y_vals_test = y_vals[test_indices]
batch_size =100
# 初始化feedin
x_data = tf.placeholder(shape=[None,2],dtype=tf.float32)
y_target = tf.placeholder(shape=[None,1],dtype=tf.float32)
# 创建变量
A = tf.Variable(tf.random_normal(shape=[2,1]))
b = tf.Variable(tf.random_normal(shape=[1,1]))
# 定义线性模型
model_output = tf.sub(tf.matmul(x_data, A), b)
# Declare vector L2 'norm' function squared
l2_norm = tf.reduce_sum(tf.square(A))
# Loss = max(0, 1-pred*actual) + alpha * L2_norm(A)^2
alpha = tf.constant([0.01])
classification_term = tf.reduce_mean(tf.maximum(0., tf.sub(1., tf.mul(model_output, y_target))))
loss = tf.add(classification_term, tf.mul(alpha, l2_norm))
my_opt = tf.train.GradientDescentOptimizer(0.01)
train_step = my_opt.minimize(loss)
init = tf.initialize_all_variables()
sess.run(init)
# Training loop
loss_vec = []
train_accuracy = []
test_accuracy = []
for iin range(20000):
rand_index = np.random.choice(len(x_vals_train),size=batch_size)
rand_x = x_vals_train[rand_index]
rand_y = np.transpose([y_vals_train[rand_index]])
sess.run(train_step,feed_dict={x_data: rand_x, y_target: rand_y})
[[a1], [a2]] = sess.run(A)
[[b]] = sess.run(b)
slope = -a2/a1
y_intercept = b/a1
best_fit = []
x1_vals = [d[1]for din x_vals]
for iin x1_vals:
best_fit.append(slope*i+y_intercept)
# Separate I. setosa
setosa_x = [d[1]for i, din enumerate(x_vals)if y_vals[i] ==1]
setosa_y = [d[0]for i, din enumerate(x_vals)if y_vals[i] ==1]
not_setosa_x = [d[1]for i, din enumerate(x_vals)if y_vals[i] == -1]
not_setosa_y = [d[0]for i, din enumerate(x_vals)if y_vals[i] == -1]
plt.plot(setosa_x, setosa_y,'o',label='I. setosa')
plt.plot(not_setosa_x, not_setosa_y,'x',label='Non-setosa')
plt.plot(x1_vals, best_fit,'r-',label='Linear Separator',linewidth=3)
plt.ylim([0,10])
plt.legend(loc='lower right')
plt.title('Sepal Length vs Pedal Width')
plt.xlabel('Pedal Width')
plt.ylabel('Sepal Length')
plt.show()
以下运行结果
网友评论