modity

README.md

@@ -1,6 +1,8 @@
 # 神经网络实现代理
 
 
+
+
 实现基于Carla的车辆、行人的感知、规划、控制。
 
 ## 环境配置

src/chap01_warmup/numpy_tutorial.py

@@ -1,10 +1,7 @@
 #!/usr/bin/env python3
 # coding: utf-8
-
 # numpy 练习题
-
 # numpy 的array操作
-
 # 1.导入numpy库
 import numpy as np
 

src/chap02_linear_regression/exercise-linear_regression.py

@@ -6,8 +6,6 @@
 # 请按照填空顺序编号分别完成 参数优化，不同基函数的实现
 
 # In[1]:
-
-
 import numpy as np
 import matplotlib.pyplot as plt
 
@@ -28,29 +26,25 @@ def load_data(filename):
 # 其中以及训练集的x的范围在0-25之间
 
 # In[6]:
-
-
-def identity_basis(x):
+def identity_basis(x): #恒等基函数
     ret = np.expand_dims(x, axis=1)
     return ret
 
-def multinomial_basis(x, feature_num=10):
-    '''多项式基函数'''
+def multinomial_basis(x, feature_num=10): #多项式基函数
     x = np.expand_dims(x, axis=1) # shape(N, 1)
     #==========
     #todo '''请实现多项式基函数'''
+    ret = np.power(x, np.arange(feature_num))
     #==========
-    ret = None
     return ret
 
-def gaussian_basis(x, feature_num=10):
-    '''高斯基函数'''
+def gaussian_basis(x, feature_num=10):#高斯基函数
     #==========
     #todo '''请实现高斯基函数'''
-    #==========
     centers = np.linspace(0, 25, feature_num)  # 在0-25之间均匀分布的中心
     width = centers[1] - centers[0]  # 高斯函数的宽度
     ret = np.exp(-0.5 * np.power((x[:, np.newaxis] - centers) / width, 2))
+    #==========
     return ret
 
 
@@ -65,14 +59,12 @@ def gaussian_basis(x, feature_num=10):
 # 计算出一个优化后的w，请分别使用最小二乘法以及梯度下降两种办法优化w
 
 # In[7]:
-
-
 def main(x_train, y_train):
     """
     训练模型，并返回从x到y的映射。
 
     """
-    basis_func = gaussian_basis
+    basis_func = gaussian_basis # 可以选择不同的基函数
     phi0 = np.expand_dims(np.ones_like(x_train), axis=1)
     phi1 = basis_func(x_train)
     phi = np.concatenate([phi0, phi1], axis=1)
@@ -81,19 +73,24 @@ def main(x_train, y_train):
     #==========
     #todo '''计算出一个优化后的w，请分别使用最小二乘法以及梯度下降两种办法优化w'''
     #最小二乘法
+    if method == 'least_squares':
     #通过 np.linalg.pinv(phi) 计算伪逆矩阵来求解 w
-    w = np.dot(np.linalg.pinv(phi), y_train)
-
+        w = np.dot(np.linalg.pinv(phi), y_train)
+    elif method == 'gradient_descent':
     #梯度下降（使用时取消注释）
-    # learning_rate=0.01,
-    # epochs=1000
-    # w = np.zeros(phi.shape[1])
+        learning_rate=0.01,
+        epochs=1000
+        w = np.zeros(phi.shape[1])
 
-    # for epoch in range(epochs):
-    #     y_pred = np.dot(phi, w)
-    #     error = y_pred - y_train
-    #     gradient = np.dot(phi.T, error) / len(y_train)
-    #     w -= learning_rate * gradient
+        for epoch in range(epochs):
+             y_pred = np.dot(phi, w)
+             error = y_pred - y_train
+             gradient = np.dot(phi.T, error) / len(y_train)
+             w -= learning_rate * gradient
+            # 每100次迭代打印损失
+            if epoch % 100 == 0:
+                loss = np.mean(error**2)
+                print(f'Epoch {epoch}, Loss: {loss:.4f}')
     #==========
 
     def f(x):
@@ -110,8 +107,6 @@ def f(x):
 # > 没有需要填写的代码，但是建议读懂
 
 # In[ ]:
-
-
 def evaluate(ys, ys_pred):
     """评估模型。"""
     std = np.sqrt(np.mean(np.abs(ys - ys_pred) ** 2))
@@ -128,7 +123,7 @@ def evaluate(ys, ys_pred):
     print(x_test.shape)
 
     # 使用线性回归训练模型，返回一个函数f()使得y = f(x)
-    f = main(x_train, y_train)
+    f = main(x_train, y_train)#
 
     y_train_pred = f(x_train)
     std = evaluate(y_train, y_train_pred)
@@ -148,18 +143,3 @@ def evaluate(ys, ys_pred):
     plt.title('gaussian_basis')
     plt.legend()
     plt.show()
-
-
-# In[ ]:
-
-
-
-
-
-# In[ ]:
-
-
-
-
-
-# In[ ]:

src/chap02_linear_regression/linear_regression-tf2.0.py

@@ -4,8 +4,6 @@
 # ## 设计基函数(basis function) 以及数据读取
 
 # In[20]:
-
-
 import numpy as np
 import matplotlib.pyplot as plt
 
@@ -37,6 +35,7 @@ def load_data(filename, basis_func=gaussian_basis):
     with open(filename, 'r') as f:
         for line in f:
             xys.append(map(float, line.strip().split()))
+      # 修改1: 添加list()转换
         xs, ys = zip(*xys)
         xs, ys = np.asarray(xs), np.asarray(ys)
 
@@ -50,8 +49,6 @@ def load_data(filename, basis_func=gaussian_basis):
 # ## 定义模型
 
 # In[21]:
-
-
 import tensorflow as tf
 from tensorflow.keras import optimizers, layers, Model
 
@@ -60,9 +57,9 @@ def __init__(self, ndim):
         super(linearModel, self).__init__()
         self.w = tf.Variable(
             shape=[ndim, 1], 
-            initial_value=tf.random.uniform(
-                [ndim,1], minval=-0.1, maxval=0.1, dtype=tf.float32))
-
+             initial_value=tf.random.uniform(  # 修改2: 更规范的初始化
+                [ndim,1], minval=-0.1, maxval=0.1, dtype=tf.float32),
+            trainable=True)
     @tf.function
     def call(self, x):
         y = tf.squeeze(tf.matmul(x, self.w), axis=1)
@@ -77,16 +74,15 @@ def call(self, x):
 # ## 训练以及评估
 
 # In[26]:
-
-
 optimizer = optimizers.Adam(0.1)
 @tf.function
 def train_one_step(model, xs, ys):
     with tf.GradientTape() as tape:
         y_preds = model(xs)
         loss = tf.reduce_mean(tf.sqrt(1e-12+(ys-y_preds)**2))
     grads = tape.gradient(loss, model.w)
-    optimizer.apply_gradients([(grads, model.w)])
+    #修改3: 使用trainable_variables
+    optimizer.apply_gradients(zip(grads, model.trainable_variables))
     return loss
 
 @tf.function
@@ -101,47 +97,27 @@ def evaluate(ys, ys_pred):
 
 
 # In[27]:
-
-
 for i in range(1000):
     loss = train_one_step(model, xs, ys)
-    if i % 100 == 1:
-        print(f'loss is {loss:.4}')
+    if i % 100 == 0:  # 修改4: 改为每100次都输出
+        print(f'Step {i}, loss: {loss:.4f}')
 
 
 y_preds = predict(model, xs)
 std = evaluate(ys, y_preds)
 print('训练集预测值与真实值的标准差：{:.1f}'.format(std))
 
 (xs_test, ys_test), (o_x_test, o_y_test) = load_data('test.txt')
-
 y_test_preds = predict(model, xs_test)
 std = evaluate(ys_test, y_test_preds)
-print('训练集预测值与真实值的标准差：{:.1f}'.format(std))
+print('测试集预测值与真实值的标准差：{:.1f}'.format(std))  # 修改5: 修正输出描述
 
+plt.figure(figsize=(8, 5))  # 修改6: 调整图像大小
 plt.plot(o_x, o_y, 'ro', markersize=3)
 plt.plot(o_x_test, y_test_preds, 'k')
 plt.xlabel('x')
 plt.ylabel('y')
 plt.title('Linear Regression')
 plt.legend(['train', 'test', 'pred'])
+plt.grid(True)  # 修改8: 添加网格线
 plt.show()
-
-
-# In[ ]:
-
-
-
-
-
-# In[ ]:
-
-
-
-
-
-# In[ ]:
-
-
-
-