搭建解决三好学生成绩问题的神经网络06

搭建解决三好学生成绩问题的神经网络06

前言

根据上一篇的分析，我们搭建了神经网络模型，现在我们根据模型进行代码的实现

准备训练数据

随机数生成

import random# 产生新的随机数种子
# random.seed()
# 生成0-1的随机小数
print(random.random())
# 生成1-10的随机数
print(random.random() * 10)
# 生成1-10的随机整数
num=random.random() * 10
print(int(num))

产生随机训练数据

根据三好学习评选结果问题的分析，我们可以知道：

1. 德育分、智育分、体育分3项成绩在0-100之间的整数
2. 总分大于等于95 即可选为三好学生用数字“1”表示，否则用数字“0”表示
3. 总分=德育分x0.6+智育分x0.3+体育分x0.1
   现在我们根据上述的3条规则进行代码实现：

import randomrandom.seed()# 存放随机数:德育分、智育分、体育分
xData = [int(random.random() * 101), int(random.random() * 101), int(random.random() * 101)
]
# 总分=德育分x0.6+智育分x0.3+体育分x0.1，
xALL = xData[0] * 0.6 + xData[1] * 0.3 + xData[2] * 0.1
# 判断是否大于等于95，如果是则为1，否则为0
if xALL >= 95:yTrainData = 1
else:yTrainData = 0print("xData: %s" % xData)
print("yTrainData: %s" % yTrainData)

运行结果：

xData: [7, 47, 20]
yTrainData: 0

我们从上面的运行结果可以看见一个学生的成绩分别为：7,47,20，那么他的评选结果一定是0（表示不是三好学生），但是这样的分数太不正常了，一般的学生不能这么低的分数，下面我们进行优化处理，具体代码如下：

import randomrandom.seed()# 存放随机数:德育分、智育分、体育分
xData = [int(random.random() * 41+60), int(random.random() * 41+60), int(random.random() * 41+60)
]
# 总分=德育分x0.6+智育分x0.3+体育分x0.1，
xALL = xData[0] * 0.6 + xData[1] * 0.3 + xData[2] * 0.1
# 判断是否大于等于95，如果是则为1，否则为0
if xALL >= 95:yTrainData = 1
else:yTrainData = 0print("xData: %s" % xData)
print("yTrainData: %s" % yTrainData)

运行结果：

xData: [60, 79, 63]
yTrainData: 0

这样一个学生分数看起来合理了，但是“是三好学生”的数据可能会很少，我们需要再次进行优化，具体如下：

import randomrandom.seed()# 存放随机数:德育分、智育分、体育分
xData = [int(random.random() * 10+91), int(random.random() * 10+91), int(random.random() * 10+91)
]
# 总分=德育分x0.6+智育分x0.3+体育分x0.1，
xALL = xData[0] * 0.6 + xData[1] * 0.3 + xData[2] * 0.1
# 判断是否大于等于95，如果是则为1，否则为0
if xALL >= 95:yTrainData = 1
else:yTrainData = 0print("xData: %s" % xData)
print("yTrainData: %s" % yTrainData)

xData: [99, 93, 100]
yTrainData: 1

完整的训练代码

根据上一章神经网络模型和结合本章的训练数据，我们可以实现完整的神经网络模型，具体代码如下：

# Author:北京
# QQ:838262020
# time:2021/4/6
import tensorflow as tf
import randomrandom.seed()x = tf.placeholder(dtype=tf.float32)
yTrain = tf.placeholder(dtype=tf.float32)
w = tf.s([3], dtype=tf.float32))wn = tf.nn.softmax(w)n1 = wn * xn2 = tf.reduce_sum(n1)y = tf.nn.sigmoid(n2)loss = tf.abs(yTrain - y)optimizer = tf.train.RMSPropOptimizer(0.1)
train = optimizer.minimize(loss)sess = tf.Session()
sess.run(tf.global_variables_initializer())for i in range(5):# 存放随机数:德育分、智育分、体育分xData = [int(random.random() * 10 + 91), int(random.random() * 10 + 91), int(random.random() * 10 + 91)]# 总分=德育分x0.6+智育分x0.3+体育分x0.1，xALL = xData[0] * 0.6 + xData[1] * 0.3 + xData[2] * 0.1# 判断是否大于等于95，如果是则为1，否则为0if xALL >= 95:yTrainData = 1else:yTrainData = 0result=sess.run([train,x,yTrain,n2,y,loss],feed_dict={x:xData,yTrain:yTrainData})print(result)

我们就要对模型进行优化，加入偏移量b加快训练过程，目的使n2的总分最好再【-5,5】区间内，这样sigmoid激活函数，运算更加快速。如我们n2上减80，具体代码如下：

# Author:北京
# QQ:838262020
# time:2021/4/6
import tensorflow as tf
import randomrandom.seed()x = tf.placeholder(dtype=tf.float32)
yTrain = tf.placeholder(dtype=tf.float32)
w = tf.s([3], dtype=tf.float32))
# 偏移量b
b=tf.Variable(80,dtype=tf.float32)wn = tf.nn.softmax(w)n1 = wn * xn2 = tf.reduce_sum(n1)-by = tf.nn.sigmoid(n2)loss = tf.abs(yTrain - y)optimizer = tf.train.RMSPropOptimizer(0.1)
train = optimizer.minimize(loss)sess = tf.Session()
sess.run(tf.global_variables_initializer())for i in range(5000):# 存放随机数:德育分、智育分、体育分xData = [int(random.random() * 10 + 91), int(random.random() * 10 + 91), int(random.random() * 10 + 91)]# 总分=德育分x0.6+智育分x0.3+体育分x0.1，xALL = xData[0] * 0.6 + xData[1] * 0.3 + xData[2] * 0.1# 判断是否大于等于95，如果是则为1，否则为0if xALL >= 95:yTrainData = 1else:yTrainData = 0result=sess.run([train,x,yTrain,n2,y,loss],feed_dict={x:xData,yTrain:yTrainData})print(result)

进阶：批量生产随机训练数据

我们可以先生成一批数据，然后在进行训练，具体如下：

# Author:北京
# QQ:838262020
# time:2021/4/6
# Author:北京
# QQ:838262020
# time:2021/4/6
import tensorflow as tf
import random
import numpy as nprandom.seed()rowCount = 5xData = np.full(shape=(rowCount, 3), fill_value=0, dtype=np.float32)
yTrainData = np.full(shape=rowCount, fill_value=0, dtype=np.float32)goodCount = 0# 生成随机训练数据
for i in range(rowCount):xData[i][0] = int(random.random() * 10 + 91)xData[i][1] = int(random.random() * 10 + 91)xData[i][2] = int(random.random() * 10 + 91)xALL = xData[i][0] * 0.6 + xData[i][1] * 0.3 + xData[i][2] * 0.1# 判断是否大于等于95，如果是则为1，否则为0if xALL >= 95:yTrainData[i] = 1goodCount += 1else:yTrainData[i] = 0
print("xData= %s" % xData)
print("yTrainData=%s" % yTrainData)
print("goodCount=%d" % goodCount)'''
神经网络模型
'''
x = tf.placeholder(dtype=tf.float32)
yTrain = tf.placeholder(dtype=tf.float32)
w = tf.s([3], dtype=tf.float32))
# 偏移量b
b = tf.Variable(80, dtype=tf.float32)wn = tf.nn.softmax(w)n1 = wn * xn2 = tf.reduce_sum(n1) - by = tf.nn.sigmoid(n2)loss = tf.abs(yTrain - y)optimizer = tf.train.RMSPropOptimizer(0.1)
train = optimizer.minimize(loss)sess = tf.Session()
sess.run(tf.global_variables_initializer())for i in range(2):for j in range(rowCount):result = sess.run([train, x, yTrain, n2, y, loss], feed_dict={x: xData[j], yTrain: yTrainData[j]})print(result)

运行结果：

xData= [[ 98.  95.  98.][ 92.  99.  97.][ 93.  92.  96.][ 94.  94.  97.][ 98.  94.  97.]]
yTrainData=[ 1.  0.  0.  0.  1.]
goodCount=2
2021-04-06 19:52:57.717868: I C:tf_jenkinshomeworkspacerel-winMwindowsPY36tensorflowcoreplatformcpu_feature_guard:137] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX AVX2
[None, array([ 98.,  95.,  98.], dtype=float32), array(1.0, dtype=float32), 17.0, 1.0, 0.0]
[None, array([ 92.,  99.,  97.], dtype=float32), array(0.0, dtype=float32), 16.0, 0.99999988, 0.99999988]
[None, array([ 93.,  92.,  96.], dtype=float32), array(0.0, dtype=float32), 13.666664, 0.99999881, 0.99999881]
[None, array([ 94.,  94.,  97.], dtype=float32), array(0.0, dtype=float32), 15.000008, 0.99999964, 0.99999964]
[None, array([ 98.,  94.,  97.], dtype=float32), array(1.0, dtype=float32), 16.333336, 0.99999988, 1.1920929e-07]
[None, array([ 98.,  95.,  98.], dtype=float32), array(1.0, dtype=float32), 17.0, 1.0, 0.0]
[None, array([ 92.,  99.,  97.], dtype=float32), array(0.0, dtype=float32), 16.0, 0.99999988, 0.99999988]
[None, array([ 93.,  92.,  96.], dtype=float32), array(0.0, dtype=float32), 13.666672, 0.99999881, 0.99999881]
[None, array([ 94.,  94.,  97.], dtype=float32), array(0.0, dtype=float32), 15.0, 0.99999964, 0.99999964]
[None, array([ 98.,  94.,  97.], dtype=float32), array(1.0, dtype=float32), 16.333328, 0.99999988, 1.1920929e-07]