当前位置： 首页 > news >正文

衡水网站制作与推广怎么申请建立个人免费网站

news 2025/11/2 3:46:40
衡水网站制作与推广,怎么申请建立个人免费网站,云霄城乡建设局网站,wordpress 4.7.9对抗生成网络 知识点回顾： 对抗生成网络的思想：关注损失从何而来生成器、判别器nn.sequential容器：适合于按顺序运算的情况，简化前向传播写法leakyReLU介绍：避免relu的神经元失活现象 对抗生成网络（GAN&…

对抗生成网络

知识点回顾：

  1. 对抗生成网络的思想：关注损失从何而来
  2. 生成器、判别器
  3. nn.sequential容器：适合于按顺序运算的情况，简化前向传播写法
  4. leakyReLU介绍：避免relu的神经元失活现象

对抗生成网络（GAN）

知识点回顾

  1. 对抗生成网络的思想

    • 思想：就像在餐厅中，有一个厨师（生成器）负责制作假菜，一个评论家（判别器）负责区分真菜和假菜。厨师的目标是制作出评论家无法区分的假菜，而评论家的目标是找出假菜。通过不断的对抗训练，厨师的厨艺（生成器的生成能力）和评论家的鉴赏力（判别器的判别能力）都会不断提高。

    • 对抗生成网络（GAN）由两个模型组成：生成器和判别器。生成器的目标是生成尽可能真实的样本，而判别器的目标是区分真实样本和生成样本。两者通过对抗训练不断优化，最终达到纳什均衡。

    • 损失来源：GAN 的损失函数来自生成器和判别器之间的对抗。判别器的损失来自于它对真实样本和生成样本的误判，生成器的损失来自于它生成的样本被判别器识别为假样本。

  2. 生成器和判别器

    • 生成器：厨师，负责制作假菜，目标是让评论家无法区分真假菜。类似于一个“伪造者”，负责生成尽可能真实的样本。

    • 判别器：评论家，负责区分真菜和假菜，目标是找出所有的假菜。类似于一个“警察”，负责区分真实样本和生成样本。

  3. nn.Sequential 容器

    • 定义：nn.Sequential 是一个顺序容器，用于按顺序堆叠多个神经网络层。这简化了前向传播的写法，适合于层与层之间按顺序运算的情况。

  4. LeakyReLU 介绍

    • 定义：就像是餐厅的菜谱，按顺序列出每个烹饪步骤，简化了厨师的烹饪流程。LeakyReLU 是 ReLU 的变种，允许一小部分梯度通过，避免神经元失活现象。类似于在烹饪过程中，允许某些食材保留一定的原始风味，避免某些食材完全失活，从而丰富菜品的层次感。

    • 公式：LeakyReLU(x) = max(0.01 * x, x)，其中 0.01 是负斜率。

作业

  1. 对于心脏病数据集，对于病人这个不平衡的样本用 GAN 来学习并生成病人样本，观察不用 GAN 和用 GAN 的 F1 分数差异

    • 步骤：

      1. 数据准备：加载心脏病数据集，处理数据以适应 GAN 的输入要求。

      2. 定义生成器和判别器：使用 nn.Sequential 定义生成器和判别器。

      3. 训练 GAN：通过对抗训练生成器和判别器。

      4. 数据增强：使用生成器生成额外的病人样本，增加数据集的多样性。

      5. 模型训练：使用原始数据集和增强后的数据集分别训练分类模型，比较 F1 分数。

import pandas as pd
import numpy as np
import torch
import torch.nn as nn
import torch.optim as optim
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import f1_score
from sklearn.impute import SimpleImputer# 加载数据
df = pd.read_csv('heart.csv')# 特征和标签分离
X = df.drop('target', axis=1)
y = df['target']# 检查缺失值
print("原始数据集中缺失值情况：")
print(df.isnull().sum())# 使用SimpleImputer填补缺失值
imp = SimpleImputer(missing_values=np.nan, strategy='mean')
X_imputed = imp.fit_transform(X)# 将数据分为病人和健康人
X_patients = X_imputed[y == 1]
X_healthy = X_imputed[y == 0]# 特征标准化
scaler = StandardScaler()
X_patients = scaler.fit_transform(X_patients)
X_healthy = scaler.transform(X_healthy)# 将数据转换为PyTorch张量
X_patients_tensor = torch.tensor(X_patients, dtype=torch.float32)
X_healthy_tensor = torch.tensor(X_healthy, dtype=torch.float32)# 定义生成器
generator = nn.Sequential(nn.Linear(100, 128),nn.ReLU(),nn.Linear(128, 256),nn.ReLU(),nn.Linear(256, X_patients.shape[1]),nn.Tanh()
)# 定义判别器
discriminator = nn.Sequential(nn.Linear(X_patients.shape[1], 256),nn.LeakyReLU(0.2),nn.Linear(256, 128),nn.LeakyReLU(0.2),nn.Linear(128, 1),nn.Sigmoid()
)# 定义损失函数和优化器
criterion = nn.BCELoss()
lr = 0.0002
optimizer_g = optim.Adam(generator.parameters(), lr=lr)
optimizer_d = optim.Adam(discriminator.parameters(), lr=lr)# 训练 GAN
num_epochs = 1000
batch_size = 32for epoch in range(num_epochs):# 训练判别器# 真实样本real_data = X_patients_tensor[torch.randint(0, X_patients_tensor.shape[0], (batch_size,))]real_labels = torch.ones(batch_size, 1)d_real_loss = criterion(discriminator(real_data), real_labels)# 生成样本noise = torch.randn(batch_size, 100)fake_data = generator(noise)fake_labels = torch.zeros(batch_size, 1)d_fake_loss = criterion(discriminator(fake_data.detach()), fake_labels)# 总损失和优化d_loss = d_real_loss + d_fake_lossoptimizer_d.zero_grad()d_loss.backward()optimizer_d.step()# 训练生成器noise = torch.randn(batch_size, 100)fake_data = generator(noise)g_loss = criterion(discriminator(fake_data), real_labels)optimizer_g.zero_grad()g_loss.backward()optimizer_g.step()if epoch % 100 == 0:print(f'Epoch [{epoch}/{num_epochs}] | D Loss: {d_loss.item():.4f} | G Loss: {g_loss.item():.4f}')# 生成额外的病人样本
num_new_samples = 100
noise = torch.randn(num_new_samples, 100)
generated_samples = generator(noise).detach().numpy()# 反标准化生成的样本
generated_samples = scaler.inverse_transform(generated_samples)# 将生成的样本添加到原始数据集中
X_generated = pd.DataFrame(generated_samples, columns=df.columns[:-1])
y_generated = pd.Series([1] * num_new_samples, name='target')# 合并原始数据集和生成的数据集
X_augmented = pd.concat([df, X_generated])
y_augmented = pd.concat([y, y_generated])# 使用 SimpleImputer 填补增强数据集中的缺失值
X_augmented_imputed = imp.transform(X_augmented)# 使用原始数据集训练模型
X_train, X_test, y_train, y_test = train_test_split(X_imputed, y, test_size=0.2, random_state=42)
model = LogisticRegression()
model.fit(X_train, y_train)
y_pred = model.predict(X_test)
f1_original = f1_score(y_test, y_pred)# 使用增强后的数据集训练模型
X_augmented_train, X_augmented_test, y_augmented_train, y_augmented_test = train_test_split(X_augmented_imputed, y_augmented, test_size=0.2, random_state=42)
model_augmented = LogisticRegression()
model_augmented.fit(X_augmented_train, y_augmented_train)
y_augmented_pred = model_augmented.predict(X_augmented_test)
f1_augmented = f1_score(y_augmented_test, y_augmented_pred)print(f'Original F1 Score: {f1_original:.4f}')
print(f'Augmented F1 Score: {f1_augmented:.4f}')

import pandas as pd
import numpy as np
import torch
import torch.nn as nn
import torch.optim as optim
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import f1_score
from sklearn.impute import SimpleImputer# 加载数据
df = pd.read_csv('heart.csv')# 特征和标签分离
X = df.drop('target', axis=1)
y = df['target']# 检查缺失值
print("原始数据集中缺失值情况：")
print(df.isnull().sum())# 使用 SimpleImputer 填补缺失值
imp = SimpleImputer(missing_values=np.nan, strategy='mean')
X_imputed = imp.fit_transform(X)# 将数据分为病人和健康人
X_patients = X_imputed[y == 1]
X_healthy = X_imputed[y == 0]# 特征标准化
scaler = StandardScaler()
X_patients = scaler.fit_transform(X_patients)
X_healthy = scaler.transform(X_healthy)# 将数据转换为 PyTorch 张量
X_patients_tensor = torch.tensor(X_patients, dtype=torch.float32)
X_healthy_tensor = torch.tensor(X_healthy, dtype=torch.float32)# 定义生成器
generator = nn.Sequential(nn.Linear(100, 128),nn.ReLU(),nn.Linear(128, 256),nn.ReLU(),nn.Linear(256, X_patients.shape[1]),nn.Tanh()
)# 定义判别器
discriminator = nn.Sequential(nn.Linear(X_patients.shape[1], 256),nn.LeakyReLU(0.2),nn.Linear(256, 128),nn.LeakyReLU(0.2),nn.Linear(128, 1),nn.Sigmoid()
)# 定义损失函数和优化器
criterion = nn.BCELoss()
lr = 0.0002
optimizer_g = optim.Adam(generator.parameters(), lr=lr)
optimizer_d = optim.Adam(discriminator.parameters(), lr=lr)# 训练 GAN
num_epochs = 1000
batch_size = 32for epoch in range(num_epochs):# 训练判别器# 真实样本real_data = X_patients_tensor[torch.randint(0, X_patients_tensor.shape[0], (batch_size,))]real_labels = torch.ones(batch_size, 1)d_real_loss = criterion(discriminator(real_data), real_labels)# 生成样本noise = torch.randn(batch_size, 100)fake_data = generator(noise)fake_labels = torch.zeros(batch_size, 1)d_fake_loss = criterion(discriminator(fake_data.detach()), fake_labels)# 总损失和优化d_loss = d_real_loss + d_fake_lossoptimizer_d.zero_grad()d_loss.backward()optimizer_d.step()# 训练生成器noise = torch.randn(batch_size, 100)fake_data = generator(noise)g_loss = criterion(discriminator(fake_data), real_labels)optimizer_g.zero_grad()g_loss.backward()optimizer_g.step()if epoch % 100 == 0:print(f'Epoch [{epoch}/{num_epochs}] | D Loss: {d_loss.item():.4f} | G Loss: {g_loss.item():.4f}')# 生成额外的病人样本
num_new_samples = 100
noise = torch.randn(num_new_samples, 100)
generated_samples = generator(noise).detach().numpy()# 反标准化生成的样本
generated_samples = scaler.inverse_transform(generated_samples)# 将生成的样本转换为 DataFrame
generated_df = pd.DataFrame(generated_samples, columns=X.columns)# 合并原始数据集和生成的数据集
augmented_df = pd.concat([df, generated_df])
augmented_df['target'] = pd.concat([y, pd.Series([1] * num_new_samples)])# 使用 SimpleImputer 填补增强数据集中的缺失值
augmented_imputer = SimpleImputer(missing_values=np.nan, strategy='mean')
augmented_imputer.fit(X)  # 使用原始特征来拟合
X_augmented_imputed = augmented_imputer.transform(augmented_df.drop('target', axis=1))# 使用原始数据集训练模型
X_train, X_test, y_train, y_test = train_test_split(X_imputed, y, test_size=0.2, random_state=42)
model = LogisticRegression()
model.fit(X_train, y_train)
y_pred = model.predict(X_test)
f1_original = f1_score(y_test, y_pred)# 使用增强后的数据集训练模型
X_augmented_train, X_augmented_test, y_augmented_train, y_augmented_test = train_test_split(X_augmented_imputed, augmented_df['target'], test_size=0.2, random_state=42)
model_augmented = LogisticRegression()
model_augmented.fit(X_augmented_train, y_augmented_train)
y_augmented_pred = model_augmented.predict(X_augmented_test)
f1_augmented = f1_score(y_augmented_test, y_augmented_pred)print(f'Original F1 Score: {f1_original:.4f}')
print(f'Augmented F1 Score: {f1_augmented:.4f}')

ps；如果你学有余力，对于gan的损失函数的理解，建议去找找视频看看，如果只是用，没必要学

@浙大疏锦行

http://www.yayakq.cn/news/801843/

相关文章：

  • 做网站找谁好网站建设文化策划方案
  • 网站显示结算点点网 wordpress
  • 企业网站排版规则免费申请公司网站
  • 网站信息化建设总体情况自己做的网站怎样链接数据库
  • Windows怎么建设网站如何给wordpress上传较大视频
  • c2c电子商务网站定制开发学校介绍网站模板
  • 做网站用什么笔记本网站开发步骤规划
  • 长春做网站建设的公司肃宁哪里建网站
  • 网站建设论文的部首windows怎么做网站
  • 海口网站运营托管公司长春网站建设优化企业
  • 网站被管理员权限星沙做网站
  • 辽宁做网站和优化江西建设单位网站
  • 做商城网站热点新闻事件及评论
  • 学校网站开发需求退休领了100万企业年金
  • 旅游网站建设的功能定位合肥知名网站建设公司
  • 山东网络推广网站和生活app下载安装最新版
  • 网上做试卷的网站精准营销策略
  • 网站整体优化两学一做山东网站
  • 网站开发毕业任务书面料 做网站
  • 花都网站开发wordpress多语言设置
  • 网站推广流程是美词原创网站建设
  • 合肥新格建站网wordpress修改导航字体
  • 微信网站背景图片未来 网站开发 知乎
  • 行业数据网站dede模板用图片多的网站不行
  • 吉利网站建设北京网站建设公司分享网站改版注意事项
  • 中国交通建设监理协会官方网站站长工具亚洲
  • 网站的音乐链接怎么做成品网站前台源码
  • 可以用什么做网站登录页面wordpress修改上传附件大小
  • 网站开发设计总结及心得体会外包加工网可信吗
  • 网站建设商业网站设计方案定制