13518219792
# -*- coding:utf-8 -*-
创新互联2013年开创至今，先为信阳等服务建站，信阳等地企业，进行企业商务咨询服务。为信阳企业网站制作PC+手机+微官网三网同步一站式服务解决您的所有建站问题。
#py3
'''
用高级函数reduce()
'''
from functools import reduce
lis=[1,2,3,4,5]
r=reduce(lambda x,y:x*y,lis)#对序列lis中元素逐项相乘lambda用法请自行度娘
print(r)
reduce把一个函数作用在一个序列[x1, x2, x3, ...]上，这个函数必须接收两个参数，reduce把结果继续和序列的下一个元素做累积计算，其效果就是：
reduce(f, [x1, x2, x3, x4]) = f(f(f(x1, x2), x3), x4)
比方说对一个序列求和，就可以用reduce实现,比如：
from functools import reduce
def add(x,y):
return x+y
reduce(add,[1,2,3])
#结果是6
按照以下图示，最终的神经网络调参，以最简单的3层神经网络为例，公式如下：
怎么求这个函数的最优解？
如果不试图耍聪明，那么我们可以只是简单地尝试随机组合权重，直到找到好的权重组合。
当陷入一个困难的问题而焦头烂额时，这不算是一个疯狂的想法。这种方法一般称为暴力方法。
暴力方法的不好之处：
假设每个权重在-1和+1之间有1000种可能的值。那么对于3层、每层3个节点的神经网络，可以得到18个权重，因此有18000种可能性需要测试。如果一个相对经典的神经网络，每层有500个节点，那么需要测试5亿种权重的可能性。如果每组组合需要花费1秒钟计算，那么对于一个训练样本，就需要花费16年更新权重！对于1000种训练样本，要花费16000年！ 这就是暴力方法不切实际之处。
数学家多年来也未解决这个难题，直到20世纪60年代到70年代，这个难题才有了切实可行的求解办法。
如何解决这样一个明显的难题呢？——我们必须做的第一件事是，拥抱悲观主义。
首先，你的语法是 Python3 的语法，但是用的是 Python2；
其实，类似这种题目，借助格式化输出会更加方便，看代码：
# -*- encoding: gbk -*-
for row in range(1, 10):
for col in range(1, row + 1):
prod = row * col
print '%d * %d = %-2d ' % (col, row, prod),
Python定义
求余运行a % b的值处于开区间[0, b)内，如果b是负数，开区间变为(b, 0]。这是一个很常见的定义方式。不过其实它依赖于整除的定义。为了让方程式：b * (a // b) + a % b = a恒真，整除运行需要向负无穷小方向取值。比如7 // 3的结果是2，而(-7) // 3的结果却是-3。这个算法与其它很多编程语言不一样，需要注意，它们的整除运算会向0的方向取值。
以上内容参考：百度百科-Python
1、编写乘法表函数
def buildMulTable():
for i in range(1, 10):
for j in range(1, i + 1):
print('{}x{}={}\t'.format(j, i, i * j), end='')
print()
buildMulTable()
2、运行结果
1x1=1
1x2=2 2x2=4
1x3=3 2x3=6 3x3=9
1x4=4 2x4=8 3x4=12 4x4=16
1x5=5 2x5=10 3x5=15 4x5=20 5x5=25
1x6=6 2x6=12 3x6=18 4x6=24 5x6=30 6x6=36
1x7=7 2x7=14 3x7=21 4x7=28 5x7=35 6x7=42 7x7=49
1x8=8 2x8=16 3x8=24 4x8=32 5x8=40 6x8=48 7x8=56 8x8=64
1x9=9 2x9=18 3x9=27 4x9=36 5x9=45 6x9=54 7x9=63 8x9=72 9x9=81
##最小二乘法
import numpy as np ##科学计算库
import scipy as sp ##在numpy基础上实现的部分算法库
import matplotlib.pyplot as plt ##绘图库
from scipy.optimize import leastsq ##引入最小二乘法算法
'''
设置样本数据，真实数据需要在这里处理
'''
##样本数据(Xi,Yi)，需要转换成数组(列表)形式
Xi=np.array([6.19,2.51,7.29,7.01,5.7,2.66,3.98,2.5,9.1,4.2])
Yi=np.array([5.25,2.83,6.41,6.71,5.1,4.23,5.05,1.98,10.5,6.3])
'''
设定拟合函数和偏差函数
函数的形状确定过程：
1.先画样本图像
2.根据样本图像大致形状确定函数形式(直线、抛物线、正弦余弦等)
'''
##需要拟合的函数func :指定函数的形状
def func(p,x):
k,b=p
return k*x+b
##偏差函数：x,y都是列表:这里的x,y更上面的Xi,Yi中是一一对应的
def error(p,x,y):
return func(p,x)-y
'''
主要部分：附带部分说明
1.leastsq函数的返回值tuple，第一个元素是求解结果，第二个是求解的代价值(个人理解)
2.官网的原话（第二个值）：Value of the cost function at the solution
3.实例：Para=(array([ 0.61349535, 1.79409255]), 3)
4.返回值元组中第一个值的数量跟需要求解的参数的数量一致
'''
#k,b的初始值，可以任意设定,经过几次试验，发现p0的值会影响cost的值：Para[1]
p0=[1,20]
#把error函数中除了p0以外的参数打包到args中(使用要求)
Para=leastsq(error,p0,args=(Xi,Yi))
#读取结果
k,b=Para[0]
print("k=",k,"b=",b)
print("cost："+str(Para[1]))
print("求解的拟合直线为:")
print("y="+str(round(k,2))+"x+"+str(round(b,2)))
'''
绘图，看拟合效果.
matplotlib默认不支持中文，label设置中文的话需要另行设置
如果报错，改成英文就可以
'''
#画样本点
plt.figure(figsize=(8,6)) ##指定图像比例： 8：6
plt.scatter(Xi,Yi,color="green",label="样本数据",linewidth=2)
#画拟合直线
x=np.linspace(0,12,100) ##在0-15直接画100个连续点
y=k*x+b ##函数式
plt.plot(x,y,color="red",label="拟合直线",linewidth=2)
plt.legend(loc='lower right') #绘制图例
plt.show()
Python是支持四则运算的，Python中的乘法运算也很简单，如下：
假设变量a的值是10，变量b的值是21，则
更多技术请关注Python视频教程。
