JamesWONG的打卡计划

xjtu_wong

已经被魔法方法搞晕的小王

xjtu_wong

关于写代码，还是背一些方法比较好用。。。晚安

xjtu_wong

学院运动会小拿了个季军🥉哈哈哈，春天来了要多运动

xjtu_wong

xjtu_wong

xjtu_wong

今天的仿真成果

xjtu_wong

1. %{
   
2. 作者：JamesWONG
   
3. %}
   
4. clc
   
5. clear all;
   
6. %图像的横坐标为平均接收信噪比（???=10log10?），纵坐标为归一化容量（C/B）
   
7. for each_SNR_dB = linspace(5,30,11)
   
8.     index = ((each_SNR_dB-5)/2.5+1);
   
9.     AWGN_lognormal(index)=log2(1+10^(0.1*(each_SNR_dB+8^2*log(10)/20)));
   
10.     RX_CSI_lognormal_integrand=(@(x)log2(1+x).*10./((2*pi)^0.5.*x*8*log(10)).*exp(-(10*log10(x)-each_SNR_dB).^2/(2*(8)^2)));
    
11.     RX_CSI_lognormal(index)=quadgk(RX_CSI_lognormal_integrand,0,inf);
    
12.     TXnRX_CSI_lognormal_threshold_integrand=@(y) (quadgk((@(x)(1./y-1./x).*10./((2*pi)^0.5.*x*8*log(10)).*exp(-(10*log10(x)-each_SNR_dB).^2/(2*(8)^2))),y,inf)-1);
    
13.     TXnRX_CSI_lognormal_threshold(index)=fzero(TXnRX_CSI_lognormal_threshold_integrand,1);  %求收发两端都已知CSI时的中断门限
    
14.     TXnRX_CSI_lognormal_integrand = (@(x) log2(x/TXnRX_CSI_lognormal_threshold(index)).*10./((2*pi)^0.5.*x*8*log(10)).*exp(-(10*log10(x)-each_SNR_dB).^2/(2*(8)^2)));
    
15.     TXnRX_CSI_lognormal(index) = quadgk(TXnRX_CSI_lognormal_integrand,TXnRX_CSI_lognormal_threshold(index),inf);
    
16.     Zero_outage_integrand=@(y) (quadgk((@(x)(y./x).*10./((2*pi)^0.5.*x*8*log(10)).*exp(-(10*log10(x)-each_SNR_dB).^2/(2*(8)^2))),0,inf)-1);
    
17.     SNR_Zero_outage(index)=fzero(Zero_outage_integrand,1);  %求零中断容量恒定信噪比
    
18.     Zero_outage_logmormal(index)=log2(1+SNR_Zero_outage(index));
    
19.     for k=(each_SNR_dB-10):(each_SNR_dB+10)  %最大中断容量时对中断门限进行遍历
    
20.         Max_outage_integrand=@(y) (quadgk((@(x)(y./x).*10./((2*pi)^0.5.*x*8*log(10)).*exp(-(10*log10(x)-each_SNR_dB).^2/(2*(8)^2))),10^(0.1*k),inf)-1);
    
21.         SNR_Max_outage(51-each_SNR_dB+k)=fzero(Max_outage_integrand,1);  %最大中断容量时求恒定信噪比
    
22.         outrage_capacity(51-each_SNR_dB+k)=log2(1+SNR_Max_outage(51-each_SNR_dB+k))*(quadgk((@(x) 10./((2*pi)^0.5.*x*8*log(10)).*exp(-(10*log10(x)-each_SNR_dB).^2/(2*(8)^2))),10^(0.1*k),inf));
    
23.     end
    
24.     Maximum_outage_lognormal(index)=max(outrage_capacity); %取最大的中断容量
    
25.     [ar_r,rcr_r,trcr_r,zon_r,mon_r] = Nakagami_fade(1,each_SNR_dB);
    
26.     AWGN_Rayleigh(index) = ar_r;
    
27.     RX_CSI_Rayleigh(index) = rcr_r;
    
28.     TXnRX_CSI_Rayleigh(index) = trcr_r;
    
29.     Zero_outage_Rayleigh(index) = zon_r;
    
30.     Maximum_outage_Rayleigh(index) = mon_r;
    
31.     [ar,rcr,trcr,zon,mon] = Nakagami_fade(2,each_SNR_dB);
    
32.     AWGN_Nakagami(index) = ar;
    
33.     RX_CSI_Nakagami(index) = rcr;
    
34.     TXnRX_CSI_Nakagami(index) = trcr;
    
35.     Zero_outage_Nakagami(index) = zon;
    
36.     Maximum_outage_Nakagami(index) = mon;
    
37. end
    
38. figure(1)
    
39. E_SNR_dB=linspace(5,30,11);
    
40. plot(E_SNR_dB,AWGN_lognormal,'-*b',E_SNR_dB,RX_CSI_lognormal,'-+r',E_SNR_dB,TXnRX_CSI_lognormal,'-og',E_SNR_dB,Zero_outage_logmormal,'-.*y',E_SNR_dB,Maximum_outage_lognormal,'-ks');
    
41. hold on
    
42. legend('AWGN信道容量','RX CSI的香农容量','TX/RX CSI的香农容量','零中断容量','最大中断容量');
    
43. xlabel('平均接收信噪比（dB）');
    
44. ylabel('C/B (bit/s/Hz)');
    
45. title('对数正态衰落下的信道容量');
    
46. figure(2)
    
47. E_SNR_dB=linspace(5,30,11);
    
48. plot(E_SNR_dB,AWGN_Rayleigh,'-*b',E_SNR_dB,RX_CSI_Rayleigh,'-+r',E_SNR_dB,TXnRX_CSI_Rayleigh,'-og',E_SNR_dB,Zero_outage_Rayleigh,'-.*y',E_SNR_dB,Maximum_outage_Rayleigh,'-ks');hold on
    
49. legend('AWGN信道容量','RX CSI的香农容量','TX/RX CSI的香农容量','零中断容量','最大中断容量');
    
50. xlabel('平均接收信噪比（dB）');
    
51. ylabel('C/B (bit/s/Hz)');
    
52. title('瑞利衰落下的信道容量');
    
53. figure(3)
    
54. E_SNR_dB=linspace(5,30,11);
    
55. plot(E_SNR_dB,AWGN_Nakagami,'-*b',E_SNR_dB,RX_CSI_Nakagami,'-+r',E_SNR_dB,TXnRX_CSI_Nakagami,'-og',E_SNR_dB,Zero_outage_Nakagami,'-.*y',E_SNR_dB,Maximum_outage_Nakagami,'-ks');hold on
    
56. legend('AWGN信道容量','RX CSI的香农容量','TX/RX CSI的香农容量','零中断容量','最大中断容量');
    
57. xlabel('平均接收信噪比（dB）');
    
58. ylabel('C/B (bit/s/Hz)');
    
59. title('Nakagami衰落下的信道容量');

复制代码

MATLAB程序，仿真无线信道容量对比（Goldsmith的教材）

1. %{
   
2. Nakagami_fade函数功能：给定Nakagami衰落的参数m以及平均接受信噪比，
   
3.                       返回五种信道下的归一化容量C/B
   
4. 示例：
   
5. >>
   
6. [ar_r,rcr_r,trcr_r,zon_r,mon_r] = Nakagami_fade(1,5)
   
7. 得到：
   
8. ar_r =2.0574
   
9. rcr_r =1.7160
   
10. trcr_r =1.8451
    
11. zon_r = 0.0531
    
12. mon_r =1.6577
    
13. %}
    
14. function[AWGN_Rayleigh,RX_CSI_Rayleigh,TXnRX_CSI_Rayleigh,Zero_outage_Nakagami,Maximum_outage_Nakagami] = Nakagami_fade(m,E_SNR_dB)
    
15.         AWGN_Rayleigh=log2(1+10^(0.1*E_SNR_dB));
    
16.         RX_CSI_Rayleigh_integrand=(@(x)log2(1+x).*(m ./10^(0.1*E_SNR_dB)).^m .*x.^(m-1) /gamma(m) .*exp(-(x.*m ./10^(0.1*E_SNR_dB))));
    
17.         RX_CSI_Rayleigh=quadgk(RX_CSI_Rayleigh_integrand,0,inf);  
    
18.         TXnRX_CSI_Rayleigh_threshold_integrand=@(y) (quadgk((@(x)(1./y-1./x).*(m ./10^(0.1*E_SNR_dB)).^m .*x.^(m-1) /gamma(m) .*exp(-(x.*m ./10^(0.1*E_SNR_dB)))),y,inf)-1);
    
19.         TXnRX_CSI_Rayleigh_threshold=fzero(TXnRX_CSI_Rayleigh_threshold_integrand,0.55);  %求收发两端都已知CSI时的中断门限，通过迭代初值所得
    
20.         TXnRX_CSI_Rayleigh_integrand=(@(x) log2(x/TXnRX_CSI_Rayleigh_threshold).*(m ./10^(0.1*E_SNR_dB)).^m .*x.^(m-1) /gamma(m) .*exp(-(x.*m ./10^(0.1*E_SNR_dB))));
    
21.         TXnRX_CSI_Rayleigh=quadgk(TXnRX_CSI_Rayleigh_integrand,TXnRX_CSI_Rayleigh_threshold,inf);  
    
22.         Zero_outage_integrand=@(y) (quadgk((@(x)(y./x).*(m ./10^(0.1*E_SNR_dB)).^m .*x.^(m-1) /gamma(m) .*exp(-(x.*m ./10^(0.1*E_SNR_dB)))),0,inf)-1);
    
23.         SNR_Zero_outage=fzero(Zero_outage_integrand,1);   %求零中断容量恒定信噪比
    
24.         Zero_outage_Nakagami=log2(1+SNR_Zero_outage);
    
25.         for k=(E_SNR_dB-10):(E_SNR_dB+10)  %最大中断容量时对中断门限进行遍历
    
26.             Max_outage_integrand=@(y) (quadgk((@(x)(y./x).*(m ./10^(0.1*E_SNR_dB)).^m .*x.^(m-1) /gamma(m) .*exp(-(x.*m ./10^(0.1*E_SNR_dB)))),10^(0.1*k),inf)-1);
    
27.             SNR_Max_outage(31-E_SNR_dB+k)=fzero(Max_outage_integrand,1);  %最大中断容量时求恒定信噪比
    
28.             max_outage_capacity(31-E_SNR_dB+k)=log2(1+SNR_Max_outage(31-E_SNR_dB+k))*(quadgk((@(x) (m ./10^(0.1*E_SNR_dB)).^m .*x.^(m-1)/gamma(m).*exp(-(x.*m ./10^(0.1*E_SNR_dB)))),10^(0.1*k),inf));
    
29.         end
    
30.         Maximum_outage_Nakagami=max(max_outage_capacity); %取最大的中断容量
    
31. end

复制代码

xjtu_wong

xjtu_wong

1、复习随机过程第二章第二节
2、英语打卡
最近某东买书打折。

xjtu_wong

Eric Matthes课后习题9.7：

1. #-*-coding:utf-8-*-
   
2. #author:JamesW
   
3. class User():
   
4.     def __init__(self,first_name,last_name,**profile):
   
5.         self.first_name = first_name
   
6.         self.last_name = last_name
   
7.         self.profile = profile
   
8.         profile = {}
   
9.         profile['first_name'] = self.first_name
   
10.         profile['Last_name'] = self.last_name
    
11.         for key,value in profile.items():
    
12.             profile[key] = value
    
13. 
    
14.     def describe_user(self):
    
15.         for each in self.profile:
    
16.             print(each+':'+self.profile[each])
    
17. 
    
18.     def greet_user(self):
    
19.         formatted_name = self.first_name + ' ' +self.last_name
    
20.         print('Hello,%s!'%formatted_name)
    
21. 
    
22. class Admin(User):
    
23.     def __init__(self,first_name,last_name,*can_do,**profile):
    
24.         super().__init__(first_name,last_name,**profile)
    
25.         self.privileges = can_do
    
26.     def show_privileges(self):
    
27.         print('User %s %s is a Administrater, :'%(self.first_name,self.last_name))
    
28.         for each in self.privileges:
    
29.             print('He '+each)
    
30. 
    
31. if __name__ == '__main__':
    
32.     ad1 = Admin('James','Wong','can add post','can delete post',age='22',hometown='cz')
    
33.     ad1.show_privileges()
    
34.     ad1.describe_user()
    
35.     ad1.greet_user()
    

复制代码

xjtu_wong

Eric Matthes 习题9.8，将实例用作属性

1. #-*-coding:utf-8-*-
   
2. #author:JamesW
   
3. class User():
   
4.     def __init__(self,first_name,last_name,**profile):
   
5.         self.first_name = first_name
   
6.         self.last_name = last_name
   
7.         self.profile = profile
   
8.         profile = {}
   
9.         profile['first_name'] = self.first_name
   
10.         profile['Last_name'] = self.last_name
    
11.         for key,value in profile.items():
    
12.             profile[key] = value
    
13. 
    
14.     def describe_user(self):
    
15.         for each in self.profile:
    
16.             print(each+':'+self.profile[each])
    
17. 
    
18.     def greet_user(self):
    
19.         formatted_name = self.first_name + ' ' +self.last_name
    
20.         print('Hello,%s!'%formatted_name)
    
21. 
    
22. class Privileges():
    
23.     def __init__(self,*can_do):
    
24.         self.privileges = can_do
    
25.     def show_privileges(self):
    
26.         print('This is a Administrater, :')
    
27.         for each in self.privileges:
    
28.             print('He '+each)
    
29. 
    
30. class Admin(User):
    
31.     def __init__(self,first_name,last_name,**profile):
    
32.         super().__init__(first_name,last_name,**profile)
    
33.         self.ad1 = Privileges('can add post','can delete post')
    
34. 
    
35. if __name__ == '__main__':
    
36.     ad = Admin('James','Wong',age='22',hometown='cz')
    
37.     ad.ad1.show_privileges()
    
38.     ad.describe_user()
    
39.     ad.greet_user()
    

复制代码

xjtu_wong

Json 和 Pickle：

python的pickle模块实现了python的所有数据序列和反序列化。基本上功能使用和JSON模块没有太大区别，方法也同样是dumps/dump和loads/load。cPickle是pickle模块的C语言编译版本相对速度更快。
与JSON不同的是pickle不是用于多种语言间的数据传输，它仅作为python对象的持久化或者python程序间进行互相传输对象的方法，因此它支持了python所有的数据类型。
---------------------
作者：shuyededenghou
来源：CSDN
原文：https://blog.csdn.net/shuyededenghou/article/details/75923353
版权声明：本文为博主原创文章，转载请附上博文链接！

JSON(JavaScript Object Notation) 是一种轻量级的数据交换格式。它基于ECMAScript的一个子集。 JSON采用完全独立于语言的文本格式，但是也使用了类似于C语言家族的习惯(包括C、C++、Java、JavaScript、Perl、Python等)。这些特性使JSON成为理想的数据交换语言。易于人阅读和编写，同时也易于机器解析和生成(一般用于提升网络传输速率)。
JSON在python中分别由list和dict组成。
---------------------
作者：shuyededenghou
来源：CSDN
原文：https://blog.csdn.net/shuyededenghou/article/details/75923353
版权声明：本文为博主原创文章，转载请附上博文链接！

json与pickle模块是将Python中的数据进行序列化，便于存取与传输。

处理文件时，考虑多行数据的存取，如换行符的使用
json序列化时，是以字符串的形式存取，所以对于字典的存取时，关键字或值经过序列化与反序列化后，类型都是字符串，有些表面看起来是数值，其实还是字符串，在使用时一定要注意类型的转换
---------------------
作者：shuyededenghou
来源：CSDN
原文：https://blog.csdn.net/shuyededenghou/article/details/75923353
版权声明：本文为博主原创文章，转载请附上博文链接！

Eric Matthes习题10_11

1. #-*-coding:utf-8-*-
   
2. #author:JamesW
   
3. import json
   
4. num = input("plz input ur favorite number:")
   
5. filename = 'num.json'
   
6. with open(filename,'w') as f:
   
7.     json.dump(num,f)
   
8.     print("file saved!")
   
9. 
   
10. with open(filename) as rf:
    
11.     fav_num = json.load(rf)
    
12.     print("ur favorite number is:"+fav_num)

复制代码

xjtu_wong

Eric Marrhes 习题10_13

1. #-*-coding:utf-8-*-
   
2. #author:JamesW
   
3. import json
   
4. 
   
5. def get_stored_uesrname():
   
6.     filename = 'username.json'
   
7.     try:
   
8.         with open(filename) as f_obj:
   
9.             username = json.load(f_obj)
   
10.     except FileNotFoundError:
    
11.         return None
    
12.     else:
    
13.         return username
    
14. 
    
15. def get_new_username():
    
16.     username = input("What's ur name?")
    
17.     filename = 'username.json'
    
18.     with open(filename,'w') as f_obj:
    
19.         json.dump(username,f_obj)
    
20.     return username
    
21. 
    
22. def greet_user():
    
23.     """问候用户，指出其姓名"""
    
24.     username = get_stored_uesrname()
    
25.     if username:
    
26.         flag = input('R u %s ?(Y/N)'%username)
    
27.         if flag == 'Y':
    
28.             print('Welcome back,'+username+'!')
    
29.         elif flag == 'N':
    
30.             username = get_new_username()
    
31.     else:
    
32.         username = get_new_username()
    
33.         print("We'll remeber you when you come back,"+username+'!')
    
34. 
    
35. if __name__ == '__main__':
    
36.     greet_user()

复制代码

xjtu_wong

分享多元线性回归梯度下降法更新权值推导

xjtu_wong

根据奥莱利《深度学习入门》中学习到的神经网络，其中激活函数和MNIST数据集以经预先保存为包，网络的权值与偏置预先设定。分类结果准确率为0.9352.

1. # coding: utf-8
   
2. import sys, os
   
3. sys.path.append(os.pardir)  # 为了导入父目录的文件而进行的设定
   
4. import numpy as np
   
5. import pickle
   
6. from dataset.mnist import load_mnist
   
7. from common.functions import sigmoid, softmax
   
8. 
   
9. 
   
10. def get_data():
    
11.     (x_train, t_train), (x_test, t_test) = load_mnist(normalize=True, flatten=True, one_hot_label=False)
    
12.     return x_test, t_test #x为数据，t为标签
    
13. 
    
14. 
    
15. def init_network():
    
16.     with open("sample_weight.pkl", 'rb') as f:
    
17.         network = pickle.load(f)
    
18.     return network
    
19. 
    
20. 
    
21. def predict(network, x):
    
22.     W1, W2, W3 = network['W1'], network['W2'], network['W3']
    
23.     b1, b2, b3 = network['b1'], network['b2'], network['b3']
    
24. 
    
25.     a1 = np.dot(x, W1) + b1 # (1*784)*(784*50)+50
    
26.     z1 = sigmoid(a1)
    
27.     a2 = np.dot(z1, W2) + b2 # (1*50)*(50*100)+100
    
28.     z2 = sigmoid(a2)
    
29.     a3 = np.dot(z2, W3) + b3 # (1*100)*(100*10)+10
    
30.     y = softmax(a3) # 1*10 (one-hot)
    
31. 
    
32.     return y
    
33. 
    
34. 
    
35. x, t = get_data() #x保存数据，t保存标签
    
36. network = init_network() #导入预存的权值矩阵！难怪有这么高的精度。
    
37. print(network.keys()) #['b2', 'W1', 'b1', 'W2', 'W3', 'b3']
    
38. accuracy_cnt = 0
    
39. for i in range(len(x)):
    
40.     y = predict(network, x[i])
    
41.     p= np.argmax(y) # 获取概率最高的元素的索引
    
42.     if p == t[i]:
    
43.         accuracy_cnt += 1
    
44. 
    
45. print("Accuracy:" + str(float(accuracy_cnt) / len(x)))

复制代码

偏置： sample_weight.zip (165.56 KB, 下载次数: 0)

2019-8-28 10:22 上传

点击文件名下载附件
偏置

common.zip (11.96 KB, 下载次数: 0)

2019-8-28 10:23 上传

点击文件名下载附件
激活函数

xjtu_wong

引入批处理后，实现将原来的单个训练改进为多组数据同时训练，精度不变的情况下缩短运算时间。
局部晚期统计，可以缩短三分之二的时间。

1. # -*- coding: utf-8 -*-
   
2. """
   
3. Created on Wed Aug 28 10:33:32 2019
   
4. 
   
5. @author: u
   
6. """
   
7. 
   
8. # coding: utf-8
   
9. import time
   
10. import sys, os
    
11. sys.path.append(os.pardir)  # 为了导入父目录的文件而进行的设定
    
12. import numpy as np
    
13. import pickle
    
14. from dataset.mnist import load_mnist
    
15. from common.functions import sigmoid, softmax
    
16. 
    
17. batch_size = 100
    
18. 
    
19. def get_data():
    
20.     (x_train, t_train), (x_test, t_test) = load_mnist(normalize=True, flatten=True, one_hot_label=False)
    
21.     return x_test, t_test #x为数据，t为标签
    
22. 
    
23. 
    
24. def init_network():
    
25.     with open("sample_weight.pkl", 'rb') as f:
    
26.         network = pickle.load(f)
    
27.     return network
    
28. 
    
29. 
    
30. def predict(network, x):
    
31.     W1, W2, W3 = network['W1'], network['W2'], network['W3']
    
32.     b1, b2, b3 = network['b1'], network['b2'], network['b3']
    
33. 
    
34.     a1 = np.dot(x, W1) + b1 # (1*784)*(784*50)+50
    
35.     z1 = sigmoid(a1)
    
36.     a2 = np.dot(z1, W2) + b2 # (1*50)*(50*100)+100
    
37.     z2 = sigmoid(a2)
    
38.     a3 = np.dot(z2, W3) + b3 # (1*100)*(100*10)+10
    
39.     y = softmax(a3) # 1*10 (one-hot)
    
40. 
    
41.     return y
    
42. 
    
43. time_start=time.time()
    
44. x, t = get_data() #x保存数据，t保存标签
    
45. network = init_network() #导入预存的权值矩阵！难怪有这么高的精度。
    
46. print(network.keys()) #['b2', 'W1', 'b1', 'W2', 'W3', 'b3']
    
47. 
    
48. accuracy_cnt = 0
    
49. for i in range(0, len(x), batch_size):
    
50.        x_batch = x[i:i+batch_size]
    
51.        #print(x_batch.shape) #(100, 784)
    
52.        y_batch = predict(network, x_batch)
    
53.        #print(y_batch.shape) #(100,10)
    
54.        p = np.argmax(y_batch, axis=1)
    
55.        accuracy_cnt += np.sum(p == t[i:i+batch_size])
    
56.       
    
57. time_end=time.time()
    
58. print('totally cost',time_end-time_start)
    
59. print("Accuracy:" + str(float(accuracy_cnt) / len(x)))
    

复制代码

xjtu_wong

加入SGD后具有学习参数的神经网络。此处计算梯度采用数值计算法，可以看到运行时间较慢：

1. total time cost 38.359713554382324

复制代码

若采用梯度反向传播则可以提高代码效率。

1. # coding: utf-8
   
2. import sys, os
   
3. sys.path.append(os.pardir)  # 为了导入父目录的文件而进行的设定
   
4. import numpy as np
   
5. import matplotlib.pyplot as plt
   
6. import time
   
7. from dataset.mnist import load_mnist
   
8. from two_layer_net import TwoLayerNet
   
9. 
   
10. # 读入数据
    
11. (x_train, t_train), (x_test, t_test) = load_mnist(normalize=True, one_hot_label=True)
    
12. 
    
13. network = TwoLayerNet(input_size=784, hidden_size=50, output_size=10)
    
14. 
    
15. iters_num = 10000  # 适当设定循环的次数
    
16. train_size = x_train.shape[0]
    
17. batch_size = 100
    
18. learning_rate = 0.1
    
19. 
    
20. train_loss_list = []
    
21. train_acc_list = []
    
22. test_acc_list = []
    
23. 
    
24. iter_per_epoch = max(train_size / batch_size, 1)
    
25. time_start=time.time()
    
26. time_before = time_start
    
27. 
    
28. for i in range(iters_num):
    
29.     batch_mask = np.random.choice(train_size, batch_size)
    
30.     x_batch = x_train[batch_mask]
    
31.     t_batch = t_train[batch_mask]
    
32.    
    
33.     # 计算梯度
    
34.     #grad = network.numerical_gradient(x_batch, t_batch)
    
35.     grad = network.gradient(x_batch, t_batch)
    
36.    
    
37.     # 更新参数
    
38.     for key in ('W1', 'b1', 'W2', 'b2'):
    
39.         network.params[key] -= learning_rate * grad[key]
    
40.    
    
41.     loss = network.loss(x_batch, t_batch)
    
42.     train_loss_list.append(loss)
    
43.    
    
44.     if i % iter_per_epoch == 0:
    
45.         train_acc = network.accuracy(x_train, t_train)
    
46.         test_acc = network.accuracy(x_test, t_test)
    
47.         train_acc_list.append(train_acc)
    
48.         test_acc_list.append(test_acc)
    
49.         print("train acc, test acc | " + str(train_acc) + ", " + str(test_acc))
    
50.         time_end_this = time.time()
    
51.         print('this epoch time cost',time_end_this-time_before)
    
52.         time_before = time_end_this
    
53. 
    
54. time_end = time.time()
    
55. print('total time cost',time_end-time_start)
    
56. # 绘制图形
    
57. markers = {'train': 'o', 'test': 's'}
    
58. x = np.arange(len(train_acc_list))
    
59. plt.plot(x, train_acc_list, label='train acc')
    
60. plt.plot(x, test_acc_list, label='test acc', linestyle='--')
    
61. plt.xlabel("epochs")
    
62. plt.ylabel("accuracy")
    
63. plt.ylim(0, 1.0)
    
64. plt.legend(loc='lower right')
    
65. plt.show()

复制代码

xjtu_wong

数值法计算梯度的类：

1. # coding: utf-8
   
2. import numpy as np
   
3. 
   
4. def _numerical_gradient_1d(f, x):
   
5.     h = 1e-4 # 0.0001
   
6.     grad = np.zeros_like(x)
   
7.    
   
8.     for idx in range(x.size):
   
9.         tmp_val = x[idx]
   
10.         x[idx] = float(tmp_val) + h
    
11.         fxh1 = f(x) # f(x+h)
    
12.         
    
13.         x[idx] = tmp_val - h
    
14.         fxh2 = f(x) # f(x-h)
    
15.         grad[idx] = (fxh1 - fxh2) / (2*h)
    
16.         
    
17.         x[idx] = tmp_val # 还原值
    
18.         
    
19.     return grad
    
20. 
    
21. 
    
22. def numerical_gradient_2d(f, X):
    
23.     if X.ndim == 1:
    
24.         return _numerical_gradient_1d(f, X)
    
25.     else:
    
26.         grad = np.zeros_like(X)
    
27.         
    
28.         for idx, x in enumerate(X):
    
29.             grad[idx] = _numerical_gradient_1d(f, x)
    
30.         
    
31.         return grad
    
32. 
    
33. 
    
34. def numerical_gradient(f, x):
    
35.     h = 1e-4 # 0.0001
    
36.     grad = np.zeros_like(x)
    
37.    
    
38.     it = np.nditer(x, flags=['multi_index'], op_flags=['readwrite'])
    
39.     while not it.finished:
    
40.         idx = it.multi_index
    
41.         tmp_val = x[idx]
    
42.         x[idx] = float(tmp_val) + h
    
43.         fxh1 = f(x) # f(x+h)
    
44.         
    
45.         x[idx] = tmp_val - h
    
46.         fxh2 = f(x) # f(x-h)
    
47.         grad[idx] = (fxh1 - fxh2) / (2*h)
    
48.         
    
49.         x[idx] = tmp_val # 还原值
    
50.         it.iternext()   
    
51.         
    
52.     return grad

复制代码

xjtu_wong

1.读完

R. Wen, J. Tang, T. Q. S. Quek, G. Feng, G. Wang, and W. Tan, “Robust Network Slicing in Software-Defined 5G Networks,” 2017 IEEE Glob. Commun. Conf. GLOBECOM 2017 - Proc., vol. 2018-January, pp. 1–6, 2018.

并总结；
2.重构网络SDN架构实现前两章；
3.行书入门一页

xjtu_wong

1.

重构网络SDN架构实现

读完第二章；
2.读完

R. Wen et al., “On Robustness of Network Slicing for Next-Generation Mobile Networks,” IEEE Trans. Commun., vol. 67, no. 1, pp. 430–444, 2019.

；
3.行书入门一页；
4.组会PPT提纲。