时间戳

首页 > 解决方案 > 使用 Theano 获取 w_0 和 w_1 参数

python - 使用 Theano 获取 w_0 和 w_1 参数

问题描述

我有一个问题，我必须创建一个数据集，然后，我必须使用 Theano 来获取以下模型的 w_0 和 w_1 参数：

y = log(1 + w_0 * |x|) + (w_1 * |x|)

数据集已创建，我已经计算了 w_0 和 w_1 值，但使用以下代码使用 numpy，但我已经彻底研究但不知道如何使用 theano 计算 w_0 和 w_1 值。我如何使用 theano 计算这些值？这将是很大的帮助谢谢 :) 我正在使用的代码：

import numpy as np
import math
import theano as t

#code to generate datasets 
trX = np.linspace(-1, 1, 101)
trY = np.linspace(-1, 1, 101)
for i in range(len(trY)):
    trY[i] = math.log(1 + 0.5 * abs(trX[i])) + trX[i] / 3 + np.random.randn() * 0.033
#code that produce w0 w1 and i want to compute it with theano
X = np.column_stack((np.ones(101, dtype=trX.dtype), trX))
print(X.shape)
Xplus = np.linalg.pinv(X) #pseudo-inverse of X
w_opt = Xplus @ trY  #The @ symbol denotes matrix multiplication
print(w_opt)

x = abs(trX) #abs is a built in function to return positive values in a array
y= trY

for i in range(len(trX)):
    y[i] = math.log(1 + w_opt[0] * x[i]) + (w_opt[1] * x[i])

标签： pythontheano

解决方案

早上好希娜马利克，

使用梯度下降算法和正确的模型选择，应该可以解决这个问题。此外，您应该为每个参数创建 2 个共享变量 (w & c)。

X = T.scalar()
Y = T.scalar()

def model(X, w, c):
    return X * w + c

w = theano.shared(np.asarray(0., dtype = theano.config.floatX))
c = theano.shared(np.asarray(0., dtype = theano.config.floatX))
y = model(X, w, c)
learning_rate=0.01

cost     = T.mean(T.sqr(y - Y))
gradient_w = T.grad(cost = cost, wrt = w)
gradient_c = T.grad(cost = cost, wrt = c)
updates  = [[w, w - gradient_w * learning_rate], [c, c - gradient_c * learning_rate]]

train = theano.function(inputs = [X, Y], outputs = cost, updates = updates)

coste=[] #Variable para almacenar los datos de coste para poder representarlos gráficamente

for i in range(101):
    for x, y in zip(trX, trY):
        cost_i = train(x, y)
    coste.append(cost_i)

w0=float(w.get_value())
w1=float(c.get_value())
print(w0,w1)

我也在 StackOverFlow 的“西班牙语”版本中回复了相同或非常相似的主题：转到解决方案

我希望这可以帮助你

此致

推荐阅读