[Python과 텐서플로우를 활용한 딥러닝 기본 향상과정] 4일차 - Source

• Linear Graph

import numpy as np
import matplotlib.pyplot as plt

x = np.arange(0,5,0.1)
y1 = []
for value in x:
    y1.append(value)

y2 = []
for value in x:
    y2.append(2*value - 2)

y3 = []
for value in x:
    y3.append(0.5*value + 1)

plt.plot(x, y1, label="y=x")   ## 상단에 곡선 설명 
plt.plot(x, y2, linestyle="--", label="y=2x-2")  ## 점선으로 표시
plt.plot(x, y3, linestyle="--", label="y=0.5x+1")  ## 점선으로 표시 
plt.xlabel("x")  ## x축에 표시되는 문자열 
plt.ylabel("y")  ## y축에 표시되는 문자열 
plt.title("linear graph")  ## 상단의 제목 표시 
#plt.legend(loc='upper left')  ## 범례 표시가 나타나는 위치 - 디폴트는 우측상단 
#plt.legend(loc='lower left')
plt.show()

 

• Cost Graph

### 선형분석 01
### h = wx 선형 함수에서 w에 대한 비용 곡선  -- 이게 선형 분석의 시작으로 
# Lab 3 Minimizing Cost
import tensorflow as tf
import matplotlib.pyplot as plt
## %matplotlib inline  ## 주피터 노트북에서 그림이 그려지지 않을때 넣어준다 
#tf.set_random_seed(777)  

X = [1, 2, 3]    ## 예측치 
Y = [1, 2, 3]    ## 실제 결과값 

W = tf.placeholder(tf.float32)   ## 여기에 임의의 값을 넣어서 비용곡선을 만들 예정임 

# 일단 쉬운 이해를 이해서 b(바이어스)는 생략하자 
h = X * W

# 비용/손실 함수 
cost = tf.reduce_mean(tf.square(h - Y))  ##tf.reduce_mean(tf.square(X*W - Y))

sess = tf.Session()

W_data = []    # 현재의 가중치를 닫을 그릇 
cost_data = [] # 가중치에 대한 비용을 닫을 그릇  

for i in range(-30, 50):  ## -30~50 까지 1 단위로 증가 
    current_W = i * 0.1   ## 1단위를(int) ==> 0.1(float) 단위로 
    current_cost = sess.run(cost, feed_dict={W: current_W})
    print(current_W, current_cost)
    W_data.append(current_W)
    cost_data.append(current_cost)

# Show the cost function
plt.plot(W_data, cost_data)
plt.xlabel("Weight")
plt.ylabel("Cost(W)")
plt.title("Weight - Cost(W)")
plt.show()

 

• Sigmoid Graph

## sigmoid 함수 그래프 
import numpy as np
import matplotlib.pyplot as plt

x = np.arange(-10, 10, 0.01)
y = []
y= 1 / (1 + np.exp(-x))

plt.plot(x, y, label="sigmiod(logistic)")   ## 상단에 곡선 설명 

plt.xlabel("x")  ## x축에 표시되는 문자열 
plt.ylabel("y")  ## y축에 표시되는 문자열 
plt.title("sigmiod(logistic) graph")  ## 상단의 제목 표시 
plt.legend(loc='upper left')  ## 범례 표시가 나타나는 위치 - 디폴트는 우측상단 
plt.show()

 

• Logistic Normal Cost Graph

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

X = [1, 2, 3, 4, 5, 6]    ## 예측치
#X = [[1, 2],[2, 3],[3, 1],[4, 3],[5, 3],[6, 2]]
Y = [0, 0, 0, 1, 1, 1]    ## 실제 결과값 

W = tf.placeholder(tf.float32)
z = W * X 

h = []
h = 1 / (1 + tf.exp(-z))

cost = tf.reduce_mean(tf.square(h - Y))

sess = tf.Session()

W_data = []    # 현재의 가중치를 닫을 그릇 
cost_data = [] # 가중치에 대한 비용을 닫을 그릇  

for i in range(-50, 50):  ## -30~50 까지 1 단위로 증가 
    current_W = i * 0.1   ## 1단위를(int) ==> 0.1(float) 단위로 
    current_cost = sess.run(cost, feed_dict={W: current_W})
    print(current_W, current_cost)
    W_data.append(current_W)
    cost_data.append(current_cost)

# Show the cost function
plt.plot(W_data, cost_data, label="cost = tf.reduce_mean(tf.square(h - Y))")
plt.xlabel("Weight")
plt.ylabel("Cost(W)")
plt.title("h = 1 / (1 + exp(-WX)) : Weight - Cost(W)")
plt.legend(loc='center left')
plt.show()

 

• Log Graph

## -log(x),  -log(1-x) 함수 그래프 
import numpy as np
import matplotlib.pyplot as plt

x = np.arange(0.01, 1, 0.01)
y1 = -np.log(x)
y2 = -np.log(1-x)

plt.plot(x, y1, label="y = -log(x)")   ## 상단에 곡선 설명
plt.plot(x, y2, label="y = -log(1-x)")   ## 상단에 곡선 설명 
plt.xlabel("x")  ## x축에 표시되는 문자열 
plt.ylabel("y")  ## y축에 표시되는 문자열 
plt.title("log graph")  ## 상단의 제목 표시 
plt.legend(loc='upper center')  ## 범례 표시가 나타나는 위치 - 디폴트는 우측상단 

plt.show()

 

• Logistic Log Cost Grpah

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

#x = np.arange(-2.0, 2.01, 0.01)

X = [1., 2., 3., 4., 5., 6.]    ## 예측치 
Y = [0, 0, 0, 1, 1, 1]    ## 실제 결과값 

W = tf.placeholder(tf.float32)
z = W * X 

h = []
h = 1 / (1 + tf.exp(-z))


cost1 = tf.reduce_mean(-tf.log(h))
cost2 = tf.reduce_mean(-tf.log(1 - h))

sess = tf.Session()

W_data = []    # 현재의 가중치를 닫을 그릇 
cost1_data = [] # 가중치에 대한 비용을 닫을 그릇
cost2_data = []

for i in range(-30, 31):  ## -30~50 까지 1 단위로 증가 
    current_W = i * 0.1   ## 1단위를(int) ==> 0.1(float) 단위로 
    current_cost1 = sess.run(cost1, feed_dict={W: current_W})
    current_cost2 = sess.run(cost2, feed_dict={W: current_W})
    print(current_W, current_cost1, current_cost2)
    W_data.append(current_W)
    cost1_data.append(current_cost1)
    cost2_data.append(current_cost2)

# Show the cost function
plt.plot(W_data, cost1_data, label="cost = -log(h), Y=1")
plt.plot(W_data, cost2_data, label="cost = -log(1-h), Y=0")
plt.xlabel("Weight")
plt.ylabel("Cost(W)")
plt.legend(loc='upper center')
plt.title("cost(w) = Y * tf.log(h) + (1 - Y) * tf.log(1 - h) ")
plt.show()