# 損失曲線（loss） ## 使用方法： ~~~ # 畫出損失曲線 AA.visualization_loss() ~~~  ## 完整例子 ~~~ # pip install AADeepLearning from AADeepLearning import AADeepLearning from AADeepLearning.datasets import mnist from AADeepLearning.datasets import np_utils # import numpy as np # np.random.seed(0) # mnist數據集已經被劃分成了60,000個訓練集，10,000個測試集的形式，如果數據不存在則自動下載 (x_train, y_train), (x_test, y_test) = mnist.load_data() # 第一個維度是樣本數目，第二維度是通道數表示顏色通道數，第三維度是高，第四個維度是寬 x_train = x_train.reshape(x_train.shape[0], 1, 28, 28) x_test = x_test.reshape(x_test.shape[0], 1, 28, 28) # 將x_train, x_test的數據格式轉為float32 x_train = x_train.astype('float32') x_test = x_test.astype('float32') # 歸一化，將值映射到 0到1區間 x_train /= 255 x_test /= 255 # 因為是10分類，所以將類別向量(從0到10的整數向量)映射為二值類別矩陣，相當于將向量用one-hot重新編碼 y_train = np_utils.to_categorical(y_train, 10) y_test = np_utils.to_categorical(y_test, 10) # 網絡配置文件 config = { # 初始學習率 "learning_rate": 0.001, # 優化策略: sgd/momentum/rmsprop/adam "optimizer": "adam", # 使用動量的梯度下降算法做優化,可以設置這一項，默認值為 0.9 ，一般不需要調整 "momentum_coefficient": 0.9, # 訓練多少次 "number_iteration": 1000, # 每次用多少個樣本訓練 "batch_size": 64, # 迭代多少次打印一次信息 "display": 100, } # 網絡結構，數據將從上往下傳播 net = [ { # 層名，無限制 "name": "flatten_1", # 層類型，將數據展平為適合神經網絡的結構，用于輸入層或者卷積層和全連接層中間。 (60000, 1, 28, 28) ——> (784, 60000) "type": "flatten" }, { # 層名 "name": "fully_connected_1", # 層類型，全連接層 "type": "fully_connected", # 神經元個數 "neurons_number": 256, # 權重初始化方式 msra/xavier/gaussian "weight_init": "msra" }, { # 層名 "name": "relu_1", # 層類型（激活層） 可選，relu，sigmoid，tanh， "type": "relu" }, { # 層名 "name": "fully_connected_2", # 層類型，全連接層 "type": "fully_connected", # 神經元個數， 因為是10分類，所以神經元個數為10 "neurons_number": 10, # 權重初始化方式 msra/xavier/gaussian "weight_init": "msra" }, { # 層名 "name": "softmax_1", # 層類型，分類層，最終輸出十分類的概率分布 "type": "softmax" } ] # 定義模型，傳入網絡結構和配置項 AA = AADeepLearning(net=net, config=config) # 訓練模型 AA.train(x_train=x_train, y_train=y_train) # 畫出損失曲線 AA.visualization_loss() # 使用測試集預測，返回概率分布和準確率， score:樣本在各個分類上的概率， accuracy:準確率 score, accuracy = AA.predict(x_test=x_test, y_test=y_test) print("test set accuracy:", accuracy) ~~~