Chainer的初步学习

　　人们都说Chainer是一块非常灵活you要用的框架，今天接着项目里面的应用，初步接触一下，涨涨姿势，直接上源码吧，看着好理解。其实跟Tensorflow等其他框架都是一个套路，个人感觉更简洁了。

 """
     测试使用
 """
 import pickle
 import time
 import numpy as np
 import matplotlib.pyplot as plt
 from chainer import Chain, Variable, optimizers, serializers
 import chainer.functions as F
 import chainer.links as L

 # 创建Chainer Variables变]量
 a = Variable(np.array([3], dtype=np.float32))
 b = Variable(np.array([4], dtype=np.float32))
 c = a**2 +b**2

 # 5通过data属性检查之前定义的变量
 print('a.data:{0}, b.data{1}, c.data{2}'.format(a.data, b.data, c.data))

 # 使用backward()方法，对变量c进行反向传播.对c进行求导
 c.backward()
 # 通过在变量中存储的grad属性，检查其导数
 print('dc/da = {0}, dc/db={1}, dc/dc={2}'.format(a.grad, b.grad, c.grad))

 # 在chainer中做线性回归
 x = 30*np.random.rand(1000).astype(np.float32)
 y = 7*x + 10
 y += 10*np.random.randn(1000).astype(np.float32)

 plt.scatter(x, y)
 plt.xlabel('x')
 plt.ylabel('y')
 plt.show()

 # 使用chainer做线性回归

 # 从一个变量到另一个变量建立一个线性连接
 linear_function = L.Linear(1, 1)
 # 设置x和y作为chainer变量，以确保能够变形到特定形态
 x_var = Variable(x.reshape(1000, -1))
 y_var = Variable(y.reshape(1000, -1))
 # 建立优化器
 optimizer = optimizers.MomentumSGD(lr=0.001)
 optimizer.setup(linear_function)

 # 定义一个前向传播函数，数据作为输入，线性函数作为输出
 def linear_forward(data):
     return linear_function(data)

 # 定义一个训练函数，给定输入数据，目标数据，迭代数
 def linear_train(train_data, train_traget, n_epochs=200):
     for _ in range(n_epochs):
         # 得到前向传播结果
         output = linear_forward(train_data)
         # 计算训练目标数据和实际标数据的损失
         loss = F.mean_squared_error(train_traget, output)
         # 在更新之前将梯度取零，线性函数和梯度有非常密切的关系
         # linear_function.zerograds()
         linear_function.cleargrads()
         # 计算并更新所有梯度
         loss.backward()
         # 优化器更新
         optimizer.update()

 # 绘制训练结果
 plt.scatter(x, y, alpha=0.5)
 for i in range(150):
     # 训练
     linear_train(x_var, y_var, n_epochs=5)
     # 预测值
     y_pred = linear_forward(x_var).data
     plt.plot(x, y_pred, color=plt.cm.cool(i / 150.), alpha=0.4, lw=3)

 slope = linear_function.W.data[0, 0]        # linear_function是之前定义的连接，线性连接有两个参数W和b，此种形式可以获取训练后参数的值，slope是斜率的意思
 intercept = linear_function.b.data[0]       # intercept是截距的意思
 plt.title("Final Line: {0:.3}x + {1:.3}".format(slope, intercept))
 plt.xlabel('x')
 plt.ylabel('y')
 plt.show()