技术背景

在前面的几篇博客中，我们分别介绍了MindSpore的CPU版本在Docker下的安装与配置方案、MindSpore的线性函数拟合以及MindSpore后来新推出的GPU版本的Docker编程环境解决方案。这里我们在线性拟合的基础上，再介绍一下MindSpore中使用线性神经网络来拟合多变量非线性函数的解决方案。

环境配置

在按照这篇博客中的方法进行安装和配置之后，可以在本地的docker镜像仓库中找到一个mindspore的镜像：

[dechin-manjaro gitlab]# docker images

REPOSITORY                                                 TAG                  IMAGE ID

mindspore                                                  latest               3a6951d9b900

由于运行Docker容器的时候最好是可以绑定本地的一个目录，所以可以用pwd先看一下本地的执行目录：

[dechin@dechin-manjaro mindspore]$ pwd

/home/dechin/projects/2021-python/mindspore

然后可以根据上述的名称和路径信息，创建一个新的docker容器环境：

[dechin-manjaro mindspore]# docker run -it --rm -v /home/dechin/projects/2021-python/mindspore:/home mindspore

这里运行的时候加了--rm选项，表示关闭容器后就删除容器，是一个一次性容器的选项。如果不加这个选项的话，会在docker ps -a下看到众多的被保存下来的容器环境，这会浪费不必要的资源。因此如果不对环境进行变更的话，建议还是加上--rm选项。

非线性函数拟合

在前面这篇博客中我们所拟合的是一个简单的线性函数：

\[y=ax+b
\]

那么在这里我们先考虑一个最简单的非线性函数的场景：

\[y=ax^2+b
\]

同样的还是两个参数，需要注意的是，如果要用线性神经网络来拟合非线性的函数，那么在给出参数的时候就要给出非线性的入参，以下是完整的代码（如果需要展示结果更好看的话可以参考上面提到的线性函数拟合的博客，这里我们为了提速，删除了很多非比要的模块）：

# test_nonlinear.py

from mindspore import context

context.set_context(mode=context.GRAPH_MODE, device_target="CPU")

import numpy as np

from mindspore import dataset as ds

from mindspore import nn, Tensor, Model

import time

from mindspore.train.callback import Callback, LossMonitor

def get_data(num, a=2.0, b=3.0):

    for _ in range(num):

        x = np.random.uniform(-1.0, 1.0)

        noise = np.random.normal(0, 0.03)

        z = a * x ** 2 + b + noise

        # 返回数据的时候就返回数据的平方

        yield np.array([x**2]).astype(np.float32), np.array([z]).astype(np.float32)

def create_dataset(num_data, batch_size=16, repeat_size=1):

    input_data = ds.GeneratorDataset(list(get_data(num_data)), column_names=['x','z'])

    input_data = input_data.batch(batch_size)

    input_data = input_data.repeat(repeat_size)

    return input_data

data_number = 1600 # 一共产生1600组数据

batch_number = 16 # 分为16组分别进行优化

repeat_number = 2 # 重复2次，可以取到更低的损失函数值

ds_train = create_dataset(data_number, batch_size=batch_number, repeat_size=repeat_number)

dict_datasets = next(ds_train.create_dict_iterator())

class LinearNet(nn.Cell):

    def __init__(self):

        super(LinearNet, self).__init__()

        self.fc = nn.Dense(1, 1, 0.02, 0.02)

    def construct(self, x):

        x = self.fc(x)

        return x

net = LinearNet()

model_params = net.trainable_params()

print ('Param Shape is: {}'.format(len(model_params)))

for net_param in net.trainable_params():

    print(net_param, net_param.asnumpy())

net_loss = nn.loss.MSELoss()

# 设定优化算法，常用的是Momentum和ADAM

optim = nn.Momentum(net.trainable_params(), learning_rate=0.005, momentum=0.9)

model = Model(net, net_loss, optim)

epoch = 1

# 设定每8个batch训练完成后就播报一次，这里一共播报25次

model.train(epoch, ds_train, callbacks=[LossMonitor(8)], dataset_sink_mode=False)

for net_param in net.trainable_params():

    print(net_param, net_param.asnumpy())

在容器内直接用python来运行这个代码：

root@9f9358769573:/home# python test_nonlinear.py

WARNING: 'ControlDepend' is deprecated from version 1.1 and will be removed in a future version, use 'Depend' instead.

[WARNING] ME(818:140122680680576,MainProcess):2021-05-15-01:59:46.275.616 [mindspore/ops/operations/array_ops.py:2302] WARN_DEPRECATED: The usage of Pack is deprecated. Please use Stack.

Param Shape is: 2

Parameter (name=fc.weight) [[0.02]]

Parameter (name=fc.bias) [0.02]

epoch: 1 step: 8, loss is 7.727301

epoch: 1 step: 16, loss is 0.9204254

epoch: 1 step: 24, loss is 0.051439833

epoch: 1 step: 32, loss is 0.40419307

epoch: 1 step: 40, loss is 0.24850279

epoch: 1 step: 48, loss is 0.0988866

epoch: 1 step: 56, loss is 0.0244435

epoch: 1 step: 64, loss is 0.05162067

epoch: 1 step: 72, loss is 0.043285627

epoch: 1 step: 80, loss is 0.013224524

epoch: 1 step: 88, loss is 0.014601769

epoch: 1 step: 96, loss is 0.0086541185

epoch: 1 step: 104, loss is 0.014336493

epoch: 1 step: 112, loss is 0.007790237

epoch: 1 step: 120, loss is 0.007644728

epoch: 1 step: 128, loss is 0.0090831155

epoch: 1 step: 136, loss is 0.009039238

epoch: 1 step: 144, loss is 0.0061546825

epoch: 1 step: 152, loss is 0.006427808

epoch: 1 step: 160, loss is 0.004290967

epoch: 1 step: 168, loss is 0.003127655

epoch: 1 step: 176, loss is 0.0044714734

epoch: 1 step: 184, loss is 0.003788504

epoch: 1 step: 192, loss is 0.0025329243

epoch: 1 step: 200, loss is 0.0034840193

Parameter (name=fc.weight) [[1.8488435]]

Parameter (name=fc.bias) [3.0522664]

最后优化的结果为$f(x)=1.8488435x+3.0522664$，可以看到距离我们所预期的$f(x)=2x+3$已经是非常接近的，但是最后具体能训练到多少的精度，其实很大程度上跟训练集有关，这里因为训练集的范围取的比较小，可能会有一定的影响。

多变量函数拟合

不论是前面提到的线性函数拟合的场景，或者是上一个章节中单变量非线性函数的拟合，其实都只有1个输入参数，本章节介绍的场景有2个入参，这里我们要拟合的函数模型是：

\[z(x,y)=ax^2+by^3+c
\]

以下是完整的代码实例：

# test_nonlinear.py

from mindspore import context

context.set_context(mode=context.GRAPH_MODE, device_target="CPU")

import numpy as np

from mindspore import dataset as ds

from mindspore import nn, Tensor, Model

import time

from mindspore.train.callback import Callback, LossMonitor

def get_data(num, a=2.0, b=3.0, c=5.0):

    for _ in range(num):

        x = np.random.uniform(-1.0, 1.0)

        y = np.random.uniform(-1.0, 1.0)

        noise = np.random.normal(0, 0.03)

        z = a * x ** 2 + b * y ** 3 + c + noise

        # 返回参数的时候压缩在一个数组内

        yield np.array([x**2,y**3]).astype(np.float32), np.array([z]).astype(np.float32)

def create_dataset(num_data, batch_size=16, repeat_size=1):

    input_data = ds.GeneratorDataset(list(get_data(num_data)), column_names=['x','z'])

    input_data = input_data.batch(batch_size)

    input_data = input_data.repeat(repeat_size)

    return input_data

data_number = 1600

batch_number = 16

repeat_number = 2

ds_train = create_dataset(data_number, batch_size=batch_number, repeat_size=repeat_number)

dict_datasets = next(ds_train.create_dict_iterator())

class LinearNet(nn.Cell):

    def __init__(self):

        super(LinearNet, self).__init__()

        # 神经网络的input和output维度设置为2,1

        self.fc = nn.Dense(2, 1, 0.02, 0.02)

    def construct(self, x):

        x = self.fc(x)

        return x

net = LinearNet()

model_params = net.trainable_params()

print ('Param Shape is: {}'.format(len(model_params)))

for net_param in net.trainable_params():

    print(net_param, net_param.asnumpy())

net_loss = nn.loss.MSELoss()

optim = nn.Momentum(net.trainable_params(), learning_rate=0.005, momentum=0.9)

model = Model(net, net_loss, optim)

epoch = 1

model.train(epoch, ds_train, callbacks=[LossMonitor(8)], dataset_sink_mode=False)

for net_param in net.trainable_params():

    print(net_param, net_param.asnumpy())

然后用同样的方法来运行：

root@9f9358769573:/home# python test_nonlinear.py

WARNING: 'ControlDepend' is deprecated from version 1.1 and will be removed in a future version, use 'Depend' instead.

[WARNING] ME(1256:140024122265728,MainProcess):2021-05-15-02:03:11.597.713 [mindspore/ops/operations/array_ops.py:2302] WARN_DEPRECATED: The usage of Pack is deprecated. Please use Stack.

Param Shape is: 2

Parameter (name=fc.weight) [[0.02 0.02]]

Parameter (name=fc.bias) [0.02]

epoch: 1 step: 8, loss is 23.713902

epoch: 1 step: 16, loss is 4.097528

epoch: 1 step: 24, loss is 0.6977275

epoch: 1 step: 32, loss is 1.6294805

epoch: 1 step: 40, loss is 1.6045574

epoch: 1 step: 48, loss is 0.33872497

epoch: 1 step: 56, loss is 0.2145875

epoch: 1 step: 64, loss is 0.15970881

epoch: 1 step: 72, loss is 0.18631926

epoch: 1 step: 80, loss is 0.093276486

epoch: 1 step: 88, loss is 0.030935105

epoch: 1 step: 96, loss is 0.065783374

epoch: 1 step: 104, loss is 0.036098357

epoch: 1 step: 112, loss is 0.021177795

epoch: 1 step: 120, loss is 0.022446468

epoch: 1 step: 128, loss is 0.024930779

epoch: 1 step: 136, loss is 0.025752623

epoch: 1 step: 144, loss is 0.019025242

epoch: 1 step: 152, loss is 0.012783089

epoch: 1 step: 160, loss is 0.008119936

epoch: 1 step: 168, loss is 0.010284519

epoch: 1 step: 176, loss is 0.0034211911

epoch: 1 step: 184, loss is 0.003315867

epoch: 1 step: 192, loss is 0.0035076286

epoch: 1 step: 200, loss is 0.0032196175

Parameter (name=fc.weight) [[1.9629341 2.9065483]]

Parameter (name=fc.bias) [5.004186]

这里得到的结果$z(x,y)=1.9629341x^2+2.9065483y^3+5.004186$跟我们所预期的结果$z(x,y)=2x^2+3y^3+5$也是非常接近的。

其他的函数类型

使用上一章节中所介绍的方法，不仅可以拟合多参数、多幂次的函数，同样的可以拟合一些其他的初等函数，比如：

\[z(x,y)=ax^2+b\ sin(y)+c
\]

完整的代码如下所示：

# test_nonlinear.py

from mindspore import context

context.set_context(mode=context.GRAPH_MODE, device_target="CPU")

import numpy as np

from mindspore import dataset as ds

from mindspore import nn, Tensor, Model

import time

from mindspore.train.callback import Callback, LossMonitor

def get_data(num, a=4.0, b=2.0, c=7.0):

    for _ in range(num):

        x = np.random.uniform(-1.0, 1.0)

        y = np.random.uniform(-1.0, 1.0)

        noise = np.random.normal(0, 0.03)

        z = a * x ** 2 + b * np.sin(y) + c + noise

        yield np.array([x**2,np.sin(y)]).astype(np.float32), np.array([z]).astype(np.float32)

def create_dataset(num_data, batch_size=16, repeat_size=1):

    input_data = ds.GeneratorDataset(list(get_data(num_data)), column_names=['x','z'])

    input_data = input_data.batch(batch_size)

    input_data = input_data.repeat(repeat_size)

    return input_data

data_number = 1600

batch_number = 16

repeat_number = 2

ds_train = create_dataset(data_number, batch_size=batch_number, repeat_size=repeat_number)

dict_datasets = next(ds_train.create_dict_iterator())

class LinearNet(nn.Cell):

    def __init__(self):

        super(LinearNet, self).__init__()

        self.fc = nn.Dense(2, 1, 0.02, 0.02)

    def construct(self, x):

        x = self.fc(x)

        return x

net = LinearNet()

model_params = net.trainable_params()

print ('Param Shape is: {}'.format(len(model_params)))

for net_param in net.trainable_params():

    print(net_param, net_param.asnumpy())

net_loss = nn.loss.MSELoss()

optim = nn.Momentum(net.trainable_params(), learning_rate=0.005, momentum=0.9)

model = Model(net, net_loss, optim)

epoch = 1

model.train(epoch, ds_train, callbacks=[LossMonitor(8)], dataset_sink_mode=False)

for net_param in net.trainable_params():

    print(net_param, net_param.asnumpy())

还是同样的执行方法：

root@9f9358769573:/home# python test_nonlinear.py

WARNING: 'ControlDepend' is deprecated from version 1.1 and will be removed in a future version, use 'Depend' instead.

[WARNING] ME(2132:139783326998656,MainProcess):2021-05-15-02:07:23.220.797 [mindspore/ops/operations/array_ops.py:2302] WARN_DEPRECATED: The usage of Pack is deprecated. Please use Stack.

Param Shape is: 2

Parameter (name=fc.weight) [[0.02 0.02]]

Parameter (name=fc.bias) [0.02]

epoch: 1 step: 8, loss is 33.49754

epoch: 1 step: 16, loss is 5.38931

epoch: 1 step: 24, loss is 0.6019592

epoch: 1 step: 32, loss is 2.3307486

epoch: 1 step: 40, loss is 1.4274476

epoch: 1 step: 48, loss is 0.48646024

epoch: 1 step: 56, loss is 0.15924525

epoch: 1 step: 64, loss is 0.20410316

epoch: 1 step: 72, loss is 0.21361557

epoch: 1 step: 80, loss is 0.09532051

epoch: 1 step: 88, loss is 0.06947755

epoch: 1 step: 96, loss is 0.05294941

epoch: 1 step: 104, loss is 0.04545658

epoch: 1 step: 112, loss is 0.032882713

epoch: 1 step: 120, loss is 0.04866419

epoch: 1 step: 128, loss is 0.033258867

epoch: 1 step: 136, loss is 0.023843747

epoch: 1 step: 144, loss is 0.024475154

epoch: 1 step: 152, loss is 0.015055884

epoch: 1 step: 160, loss is 0.016890783

epoch: 1 step: 168, loss is 0.019164825

epoch: 1 step: 176, loss is 0.014314213

epoch: 1 step: 184, loss is 0.010082506

epoch: 1 step: 192, loss is 0.009690857

epoch: 1 step: 200, loss is 0.008122671

Parameter (name=fc.weight) [[3.6814337 1.9820771]]

Parameter (name=fc.bias) [7.106203]

得到的结果是$z(x,y)=3.6814337x^2+1.9820771sin(y)+7.106203$，而我们所预期的结果为：$z(x,y)=4x^2+2sin(y)+7$。

总结概要

基于前面所介绍的MindSpore框架使用线性神经网络来拟合线性函数的一个方案，这里我们将其推广到多参数、多幂次的函数，甚至是一些初等的函数。但是对于更加复杂的嵌套函数，可能还要思考一下更加普适的解决方案。

版权声明

本文首发链接为：https://www.cnblogs.com/dechinphy/p/nonlinear.html

作者ID：DechinPhy

更多原著文章请参考：https://www.cnblogs.com/dechinphy/

使用MindSpore的线性神经网络拟合非线性函数的更多相关文章

tensorflow神经网络拟合非线性函数与操作指南
本实验通过建立一个含有两个隐含层的BP神经网络,拟合具有二次函数非线性关系的方程,并通过可视化展现学习到的拟合曲线,同时随机给定输入值,输出预测值,最后给出一些关键的提示. 源代码如下: # -*- ...
最小二乘法拟合非线性函数及其Matlab/Excel 实现（转）
1.最小二乘原理 Matlab直接实现最小二乘法的示例: close x = 1:1:100; a = -1.5; b = -10; y = a*log(x)+b; yrand = y + 0.5*r ...
最小二乘法拟合非线性函数及其Matlab/Excel 实现
1.最小二乘原理 Matlab直接实现最小二乘法的示例: close x = 1:1:100; a = -1.5; b = -10; y = a*log(x)+b; yrand = y + 0.5*r ...
BP神经网络拟合给定函数
近期在准备美赛,因为比赛需要故重新安装了matlab,在里面想尝试一下神将网络工具箱.就找了一个看起来还挺赏心悦目的函数例子练练手: y=1+sin(1+pi*x/4) 针对这个函数,我们首先画出其在 ...
MATLAB神经网络（2） BP神经网络的非线性系统建模——非线性函数拟合
2.1 案例背景在工程应用中经常会遇到一些复杂的非线性系统,这些系统状态方程复杂,难以用数学方法准确建模.在这种情况下,可以建立BP神经网络表达这些非线性系统.该方法把未知系统看成是一个黑箱,首先用 ...
MATLAB神经网络（3）遗传算法优化BP神经网络——非线性函数拟合
3.1 案例背景遗传算法(Genetic Algorithms)是一种模拟自然界遗传机制和生物进化论而形成的一种并行随机搜索最优化方法. 其基本要素包括:染色体编码方法.适应度函数.遗传操作和运行参 ...
『TensorFlow』第二弹_线性拟合&神经网络拟合_恰是故人归
Step1: 目标: 使用线性模拟器模拟指定的直线:y = 0.1*x + 0.3 代码: import tensorflow as tf import numpy as np import matp ...
非线性函数的最小二乘拟合及在Jupyter notebook中输入公式 [原创]
突然有个想法,能否通过学习一阶RC电路的阶跃响应得到RC电路的结构特征——时间常数τ(即R*C).回答无疑是肯定的,但问题是怎样通过最小二乘法.正规方程,以更多的采样点数来降低信号采集噪声对τ估计值的 ...
MATLAB神经网络（7） RBF网络的回归——非线性函数回归的实现
7.1 案例背景 7.1.1 RBF神经网络概述径向基函数是多维空间插值的传统技术,RBF神经网络属于前向神经网络类型,网络的结构与多层前向网络类似,是一种三层的前向网络.第一层为输入层,由信号源结 ...

随机推荐

HDU_3949 XOR 【线性基】
一.题目 XOR 二.分析给定$N$个数,问它的任意子集异或产生的数进行排列,求第K小的数. 构造出线性基$B$后,如果$|B| < N$,那么代表N个数中有一个数是可以由线性基中的其他数异或 ...
Codeforces 976C Nested Segments
题面: 传送门 C. Nested Segments Input ﬁle: standard input Output ﬁle: standard output Time limit: 2 secon ...
io流（File类）
File类创建一个file类(没有无参构造)的对象,并与文件进行关联用File类来操作文件,代码如下: package com.bjsxt.test01; import java.io.File; ...
DEV表格设置列不可编辑
现在是可编辑的 Run Designer--Columns--Column options下的AllowEdit属性改为false即可
Cookie与Session的安全性
说到cookie与session我们首先要说一下为什么要引入这两个东西,这两个多西到底是干什么的起源由于HTTP协议使无状态的: 每一次请求都是新的请求,不会记得之前通信的状态客户端与服务端的一 ...
JAVA面试核心知识点(一):计算机网络
一·计算机网络 1.1 网络基础知识 OSI 七层协议(制定标准使用的标准概念框架): 物理层(传递比特流0101)->数据链路层(将比特流转换为逻辑传输线路)->网络层(逻辑编址,分组传 ...
Win10环境下YOLO5 快速配置与测试
目录一.更换官方源二.安装Pytorch+CUDA(python版本) 三.YOLO V5 配置与验证四.数据集测试五.小结不想看前面,可以直接跳到标题: 一.更换官方源在 YOLO V5 ...
Hystrix熔断原理
Netflix的开源组件Hystrix的流程: 图中流程的说明: 将远程服务调用逻辑封装进一个HystrixCommand. 对于每次服务调用可以使用同步或异步机制,对应执行execute()或que ...
Java中的绑定
1 前言做了一次笔试题,发现了一题问答题,是关于Java绑定的: 当时做的时候是完全不会的... 于是这里补上一篇Java绑定的文章. 2 绑定首先来了解一下绑定的概念.绑定是指一个方法的调用与方 ...
一图看懂 ASP.NET Core 中的服务生命周期
翻译自 Waqas Anwar 2020年11月8日的文章 <ASP.NET Core Service Lifetimes (Infographic)> [1] ASP.NET Core ...

使用MindSpore的线性神经网络拟合非线性函数