ubuntu安装和python安装
下载Ubuntu LTS系统
windows下载VirtualBox或Vmare,可以安装虚拟机
安装Anaconda或pip安装管理python包
-
Linux 命令
- cd ： 到要的路径
- ls ： 列出路径文件
- vim ：编辑器
- gedit : 编辑器
- cat ： 查看文件内容
- touch ：新建文件
- mkdir ：新建文件夹
- python ：运行python脚本
- find ：查找
- mv ：移动文件(夹)
- cp : 复制文件(夹)
-
hello world
print('hello world')序列是Python中最基本的数据结构。序列中的每个元素都分配一个数字 - 它的位置，或索引，第一个索引是0，第二个索引是1，依此类推。Python有6个序列的内置类型，但最常见的是列表和元组。序列都可以进行的操作包括索引，切片，加，乘，检查成员。
- 列表
list1 = ['physics', 'chemistry', 1997, 2000]
list2 = [1, 2, 3, 4, 5 ]
list3 = ["a", "b", "c", "d"]| 函数 | 解释 |
|---|---|
| cmp(list1, list2) | 比较两个列表的元素 |
| len(list) | 列表元素个数 |
| max(list) | 返回列表元素最大值 |
| min(list) | 返回列表元素最小值 |
| list(seq) | 将元组转换为列表 |
| list函数 | 解释 |
|---|---|
| list.append(obj) | 在列表末尾添加新的对象 |
| list.count(obj) | 统计某个元素在列表中出现的次数 |
| list.extend(seq) | 在列表末尾一次性追加另一个序列中的多个值（用新列表扩展原来的列表） |
| list.index(obj) | 从列表中找出某个值第一个匹配项的索引位置 |
| list.insert(index, obj) | 将对象插入列表 |
| list.pop([index=-1]) | 移除列表中的一个元素（默认最后一个元素），并且返回该元素的值 |
| list.remove(obj) | 移除列表中某个值的第一个匹配项 |
| list.reverse() | 反向列表中元素 |
| list.sort(cmp=None, key=None, reverse=False) | 对原列表进行排序 |
- 元组
Python的元组与列表类似，不同之处在于元组的元素不能修改。元组使用小括号，列表使用方括号。元组创建很简单，只需要在括号中添加元素，并使用逗号隔开即可。
tup1 = ('physics', 'chemistry', 1997, 2000)
tup2 = (1, 2, 3, 4, 5 )
tup3 = "a", "b", "c", "d"| Python 表达式 | 结果 | 描述 |
|---|---|---|
| len((1, 2, 3)) | 3 | 计算元素个数 |
| (1, 2, 3) + (4, 5, 6) | (1, 2, 3, 4, 5, 6) | 连接 |
| ('Hi!',) * 4 | ('Hi!', 'Hi!', 'Hi!', 'Hi!') | 复制 |
| 3 in (1, 2, 3) | True | 元素是否存在 |
| for x in (1, 2, 3): print x, | 1 2 3 | 迭代 |
| tuple函数 | 方法及描述 |
|---|---|
| cmp(tuple1, tuple2) | 比较两个元组元素 |
| len(tuple) | 计算元组元素个数 |
| max(tuple) | 返回元组中元素最大值 |
| min(tuple) | 返回元组中元素最小值 |
| tuple(seq) | 将列表转换为元组 |
- 字典
字典是另一种可变容器模型，且可存储任意类型对象。字典的每个键值 key=>value 对用冒号 : 分割，每个键值对之间用逗号 , 分割，整个字典包括在花括号 {} 中。 d = {key1 : value1,key2 : value2,key3 : value3}
| 函数 | 描述 |
|---|---|
| cmp(dict1, dict2) | 比较两个字典元素 |
| len(dict) | 计算字典元素个数，即键的总数 |
| str(dict) | 输出字典可打印的字符串表示 |
| type(variable) | 返回输入的变量类型，如果变量是字典就返回字典类型 |
dict函数 | 描述 dict.clear() | 删除字典内所有元素 dict.copy() | 返回一个字典的浅复制 dict.fromkeys(seq[, val]) | 创建一个新字典，以序列 seq 中元素做字典的键，val 为字典所有键对应的初始值 dict.get(key, default=None) | 返回指定键的值，如果值不在字典中返回default值 dict.has_key(key) | 如果键在字典dict里返回true，否则返回false dict.items() | 以列表返回可遍历的(键, 值) 元组数组 dict.keys() | 以列表返回一个字典所有的键 dict.setdefault(key, default=None) | 和get()类似, 但如果键不存在于字典中，将会添加键并将值设为default dict.update(dict2) | 把字典dict2的键/值对更新到dict里 dict.values() | 以列表返回字典中的所有值 pop(key[,default]) | 删除字典给定键 key 所对应的值，返回值为被删除的值。key值必须给出。 否则，返回default值 popitem() | 随机返回并删除字典中的一对键和值
if 判断条件：
执行语句……
else：
执行语句……
###################
if 判断条件1:
执行语句1……
elif 判断条件2:
执行语句2……
elif 判断条件3:
执行语句3……
else:
执行语句4……- while
while 判断条件：
执行语句……- for
for iterating_var in sequence:
statements(s)- 循环嵌套
for iterating_var in sequence:
for iterating_var in sequence:
statements(s)
statements(s)while expression:
while expression:
statement(s)
statement(s)预测值和真实值的差距
- mse(均方损失函数): (y_p - y_t)^2
loss_mes = tf.reduce_mean(tf.square(y_p - y_t))- CE(交叉熵): -y_t*log(y_p)
ce = -tf.reduce_mean(y_t*tf.log(tf.clip_by_value(y_p,1e-12,1.0)))**使用softmax的话用下面代码**
ce = tf.nn.spare_sotfmax_cross_entropy_with_logits(logits = y_p,labels = tf.argmax(y_t,1))
cem = tf.reduce_mean(ce)- 自定义loss:
loss = tf.reduce_sum(tf.where(tf.greater(y_t,y_p),alpha*(y_t,y_p),(1-alpha)*(y_p-y_t)))
# 可以通过设置不同的 **alpha** 使预测往预想的方向偏移，也可以用来调节样本不平衡每次参数更新的幅度，学习率大了震荡不收敛，小了收敛速度慢
- 指数衰减学习率
lr = lr_base * lr_decay ^ ( global_step/learn_rate_step)
- lr_base : 基础学习率
- lr_decay : 衰减率
- global_step : 运行几轮
- learn_rate_step : 多少轮衰减一次
global_step = tf.Variable(0,trainable = False)
lr = tf.train.exponential_decay(
lr_base,
global_step,
learn_rate_step,
lr_decay,
staircase = Ture) #staircase = Ture 时，global_step/learn_rate_step 取整记录了每个参数一段时间内过往值的平均，增加了模型泛化性
ema = tf.train.ExponentialMovingAverage(MOVING_AVERAGE_DECAY,global_step)
ema_op = ema.apply(tf.trainable_variables()) #所有待优化的参数求滑动平均
with tf.contral_dependencies([train_step,ema_op]): #滑动平均和训练绑定为一个节点
train_op = tf.no_np(name='train')正则化缓解过拟合，在损失函数中引入模型复杂度指标，利用其给W加权值，软化训练数据噪声(一般不对偏置b正则化)
- l1 一节正则化， loss_l1(w) = sum(abs(w))
loss(w) = tf.contrib.layers.l1_regularizer(REGUIARIZER)(w)- l2 二阶正则化， loss_l2(w) = sum(w^2)
loss(w) = tf.contrib.layers.l2_regularizer(REGUIARIZER)(w)使用
tf.add_to_collection('losses',tf.contrib.layers.l2_regularizer(regularizer)(w)) #把内容加到集合，对应位置做加法
loss = cem + tf.add_n(tf.get_collecton('losses))
- 生成点可视化
- 无正则化训练结果
- 正则化训练结果
- forward.py
def forward(x,regularizer):
w =
b =
y =
return y
def get_weight(shape,regularizer):
w = tf.Variable()
tf.add_to_collection('losses',tf.contrib.l2_regularizer(regularizer)(w))
return w
def get_bias(shape):
b = tf.Variable()
return b- backward.py
def backward():
x = tf.placeholder()
y_ = tf.placeholder()
y = forward.forward(x,REGULARIZER)
global_step = tf.Variable(0,trainable=False)
loss =
均方差
loss_mes = tf.reduce_mean(tf.square(y_p - y_t))
交叉熵
ce = tf.nn.spare_sotfmax_cross_entropy_with_logits(logits = y_p,labels = tf.argmax(y_t,1))
loss_ce = tf.reduce_mean(ce)
正则化
loss = loss_base + tf.add_n(tf.get_collection('losses'))
指数衰减学习率
lr = lr_base * lr_decay ^ ( global_step/learn_rate_step)
- lr_base : 基础学习率
- lr_decay : 衰减率
- global_step : 运行几轮
- learn_rate_step : 多少轮衰减一次
滑动平均
ema = tf.train.ExponentialMovingAverage(MOVING_AVERAGE_DECAY,global_step)
ema_op = ema.apply(tf.trainable_variables()) #所有待优化的参数求滑动平均
with tf.contral_dependencies([train_step,ema_op]): #滑动平均和训练绑定为一个节点
train_op = tf.no_np(name='train')
train_step = tf.train.GradientDesentOptimizer(lr).minimize(loss,global_step = global_step)
with tf.Session() as sess:
init_op = tf.global_variables_initializer()
sess.run(init_op)
for i in range(STEPS):
sess.run(train_step,feed_dict={x: ,y_: })
if i % 轮数 ==0：
print
if __name__ = '__main__':
backward()