veypi/courses
1
0
Fork 0
Code Issues Pull Requests Releases Wiki Activity

初始化page

Browse Source
This commit is contained in:
veypi 2021-01-09 11:18:13 +08:00
parent 07274909e2
commit cb8dd97c4a
20 changed files with 2337 additions and 19 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

1
README.md
View File

@ -1,3 +1,4 @@
# courses # courses
课程作业 课程作业

5
eda/edaf/.gitignore vendored Normal file
View File

@ -0,0 +1,5 @@
node_modules
.DS_Store
dist
dist-ssr
*.local

13
eda/edaf/index.html Normal file
View File

@ -0,0 +1,13 @@
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<link rel="icon" href="/favicon.ico" />
<meta name="viewport" content="width=device-width, initial-scale=1.0">
<title>Vite App</title>
</head>
<body>
<div id="app"></div>
<script type="module" src="/src/main.js"></script>
</body>
</html>

15
eda/edaf/package.json Normal file
View File

@ -0,0 +1,15 @@
{
"name": "edaf",
"version": "0.0.0",
"scripts": {
"dev": "vite",
"build": "vite build"
},
"dependencies": {
"vue": "^3.0.4"
},
"devDependencies": {
"vite": "^1.0.0-rc.13",
"@vue/compiler-sfc": "^3.0.4"
}
}

BIN
eda/edaf/public/favicon.ico Normal file
View File

Binary file not shown.
Side by Side

After

Width:  |  Height:  |  Size: 4.2 KiB

15
eda/edaf/src/App.vue Normal file
View File

@ -0,0 +1,15 @@
<template>
<img alt="Vue logo" src="./assets/logo.png" />
<HelloWorld msg="Hello Vue 3.0 + Vite" />
</template>
<script>
import HelloWorld from './components/HelloWorld.vue'
export default {
name: 'App',
components: {
HelloWorld
}
}
</script>

BIN
eda/edaf/src/assets/logo.png Normal file
View File

Binary file not shown.
Side by Side

After

Width:  |  Height:  |  Size: 6.7 KiB

19
eda/edaf/src/components/HelloWorld.vue Normal file
View File

@ -0,0 +1,19 @@
<template>
<h1>{{ msg }}</h1>
<button @click="count++">count is: {{ count }}</button>
<p>Edit <code>components/HelloWorld.vue</code> to test hot module replacement.</p>
</template>
<script>
export default {
name: 'HelloWorld',
props: {
msg: String
},
data() {
return {
count: 0
}
}
}
</script>

8
eda/edaf/src/index.css Normal file
View File

@ -0,0 +1,8 @@
#app {
font-family: Avenir, Helvetica, Arial, sans-serif;
-webkit-font-smoothing: antialiased;
-moz-osx-font-smoothing: grayscale;
text-align: center;
color: #2c3e50;
margin-top: 60px;
}

5
eda/edaf/src/main.js Normal file
View File

@ -0,0 +1,5 @@
import { createApp } from 'vue'
import App from './App.vue'
import './index.css'
createApp(App).mount('#app')

2134
eda/edaf/yarn.lock Normal file
View File

File diff suppressed because it is too large Load Diff

60
numerical_analysis/1/README.md Normal file
View File

@ -0,0 +1,60 @@
# 工程数值方法与机器学习
> 2020/2021 学年
>
> 北京航空航天大学微电子学院
>
> 授课教师：王鹏教授，邢炜博士
### 作业1
简介:
> 在本次作业中，你需要编写Matlab（或python）程序来求解一些线性方程组，你需要能在电脑上运行Matlab2012a以上版本（或python）。
请按照本文档中的说明执行任务并生成并以所需格式保存结果。 提交你的求解器代码和报告（其中包含总结和图表）。
完成A部分与B部分的所有内容。
A部分：编写你自己的求解器
1. 编写一个用来求解方程 Ux = d的向后替代求解器, 其中 U 是上三角矩阵。
2. 编写一个方阵 A的LU分解求解器。 建议添加选主元步骤，它通过交换矩阵的行来避免小数字的除法，可以有效提高稳定性。
3. 结合（1，2）编写一个线性方程组的求解器。
4. 编写一个Jacobi求解器。
B部分：测试你的求解器
- i 对不同的bi 求解线性方程组Axi = bi ，其中A 是随机矩阵。
- 1. 创建 NxN 的随机矩阵 A. 确保 A 的行列式不接近0. 你可以通过给A加上一个对角阵来确保行列式不为零。
- 2. 创建i=1…1000 的随机向量bi
- 3. 对每个 i, 求解Axi = bi , 通过求解上面的问题并计算平方根均方误差 (RMSE, a.k.a., L2误差，计算方法为：假如解法器求得为x*，误差计算为 (Ax*-b)^2 的平均值 ). 记录每次求解的总计算时间。
- 4. 对 N =（2,4,8,16,32,64,128,…,2048 ), 比较下面几个不同的求解器的精度和消耗时间。
- a. 你的基于LU分解的求解器,
b. 你的Jacobi求解器
c. 对矩阵 A 求一次逆 (Matlab 命令: inv(A) or A^(-1) ) 并直接计算结果inv(A)*b
d. Matlab的默认求解器 linsolve(A,B) (或者python的默认求解器).
结果应当类似下图:
(ii) 对不同的bi 求解线性方程组Axi = bi ，其中矩阵A的条件数较大。
这个目标和B部分 (i) 类似，除了A被设计为病态矩阵，顾名思义，有较大的条件数
Tips: 如果你不知道怎么生成一个病态随机矩阵，可以按下面的Matlab函数来生成。你可以直接将下面的代码复制到你的Matlab程序中使用。
function A = illA(N)
A = rand(N);
A = (A + A') / 2;
[U,S,V] = svd(A);
S(1,1) = S(1,1) * 10^log(N^2);
S(end,end) = S(end,end) ./ 10^log(N^2);
A = U * S * V';
end
(iii) 对不同的bi 求解线性方程组Axi = bi ，其中矩阵A是随机稀疏矩阵。
这个目标和B部分 (i) 类似，除了A被设计为稀疏矩阵，它的大部分元素都是0。
生成(i)，(i)，(iii)的图表并进行对比，总结你的实验结论，例如，什么情况下使用什么解法器是比较合适的；为什么Matlab自带的解法器效果总是最好等等。
作业提交有效时间是今天到10月23日（两周后）之前的任意时间。提交作业请将代码和报告打包，以“课后作业1-名字-学号”命名提交。

0
numerical_analysis/2/README.md Normal file
View File

0
numerical_analysis/3/README.md Normal file
View File

0
numerical_analysis/4/README.md Normal file
View File

0
numerical_analysis/5/README.md Normal file
View File

0
numerical_analysis/6/README.md Normal file
View File

0
numerical_analysis/7/README.md Normal file
View File

31
numerical_analysis/8/question.md → numerical_analysis/8/README.md
View File

@ -32,7 +32,8 @@
使用神经网络进行回归预测 使用神经网络进行回归预测
1. 使用共11个理化指标作为模型输入，经过大量调试（不同的网络结构，不同的深度，宽度，激活函数，初始化策略，优化函数）确定出最好的网络结构和策略。说明为什么你选择了该模型结构和策略。（你对比了哪些其他的结构？你觉得为什么该模型的效果比较好？如何防止你的选择基准只是一个巧合？）用图表总结你的搜索结果，列出每个模型（或者经过挑选的有代表性的模型）的RMSE，R2和模型训练时间。 1.
使用共11个理化指标作为模型输入，经过大量调试（不同的网络结构，不同的深度，宽度，激活函数，初始化策略，优化函数）确定出最好的网络结构和策略。说明为什么你选择了该模型结构和策略。（你对比了哪些其他的结构？你觉得为什么该模型的效果比较好？如何防止你的选择基准只是一个巧合？）用图表总结你的搜索结果，列出每个模型（或者经过挑选的有代表性的模型）的RMSE，R2和模型训练时间。
2. 进一步精调模型，提升模型效果并减少过拟合（例如：dropout，early stopping，bagging，交叉验证，L2/L1正则化等等）。用图表总结你使用的精调方法的带来的效果提升。 2. 进一步精调模型，提升模型效果并减少过拟合（例如：dropout，early stopping，bagging，交叉验证，L2/L1正则化等等）。用图表总结你使用的精调方法的带来的效果提升。
@ -44,5 +45,29 @@
1. 选择目标1，目标2 里面选得的最优秀的模型，对比他们在不同训练数据下的表现并总结，作图。 1. 选择目标1，目标2 里面选得的最优秀的模型，对比他们在不同训练数据下的表现并总结，作图。
作业提交有效时间是今天到12月29日（三周后）之前的任意时间。 作业提交有效时间是今天到12月29日（三周后）之前的任意时间。 提交作业请将代码和报告打包，以“学号-姓名-UQ”命名提交至链接 [http://www.xzc.cn/YvcM5sqqVm]
提交作业请将代码和报告打包，以“学号-姓名-UQ”命名提交至链接 [http://www.xzc.cn/YvcM5sqqVm]
```shell
# 运行
cd numerical_analysis/8
python main.py
```
```
随机森林
R2: 0.475379
accuracy: 0.687500
线性回归
R2: 0.297383
accuracy: 0.587500
支持向量机
R2: 0.250542
accuracy: 0.681250
随机梯度下降
R2: -0.124188
accuracy: 0.475000
多层感知器
R2: 0.288015
accuracy: 0.637500
```

44
numerical_analysis/8/main.py
View File

@ -22,33 +22,42 @@ class WinePredict:
self.X_train = sc.fit_transform(self.X_train) self.X_train = sc.fit_transform(self.X_train)
self.X_test = sc.fit_transform(self.X_test) self.X_test = sc.fit_transform(self.X_test)
# 线性回归
def lr(self): def lr(self):
"""
线性回归
"""
lr = LinearRegression() lr = LinearRegression()
lr.fit(self.X_train, self.y_train) lr.fit(self.X_train, self.y_train)
return lr.predict(self.X_test) return lr.predict(self.X_test)
# 随机森林
def rfc(self): def rfc(self):
rfc = RandomForestClassifier(n_estimators=200) """
随机森林
"""
rfc = RandomForestClassifier(n_estimators=200, random_state=20)
rfc.fit(self.X_train, self.y_train) rfc.fit(self.X_train, self.y_train)
return rfc.predict(self.X_test) return rfc.predict(self.X_test)
# 随机梯度下降
# 0.2 极其不稳定
def sgd(self): def sgd(self):
"""
随机梯度下降
"""
sgd = SGDClassifier(penalty=None) sgd = SGDClassifier(penalty=None)
sgd.fit(self.X_train, self.y_train) sgd.fit(self.X_train, self.y_train)
return sgd.predict(self.X_test) return sgd.predict(self.X_test)
# 支持向量机
# 0.23 -> 0.25
def svc(self): def svc(self):
"""
支持向量机
"""
svc = SVC(C=1.4, gamma=0.8, kernel='rbf') svc = SVC(C=1.4, gamma=0.8, kernel='rbf')
svc.fit(self.X_train, self.y_train) svc.fit(self.X_train, self.y_train)
return svc.predict(self.X_test) return svc.predict(self.X_test)
def mlp(self): def mlp(self):
"""
多层感知器
"""
mlp = MLPClassifier([10, 6], learning_rate_init=0.001, activation='relu', solver='adam', alpha=0.0001, mlp = MLPClassifier([10, 6], learning_rate_init=0.001, activation='relu', solver='adam', alpha=0.0001,
max_iter=30000) max_iter=30000)
# 神经网络 # 神经网络
@ -57,9 +66,10 @@ class WinePredict:
# 参数调优 # 参数调优
def grid_search(self, model, param): def grid_search(self, model, param):
grid_svc = GridSearchCV(model, param_grid=param, scoring='accuracy', cv=10) print('search %s', param)
grid_svc.fit(self.X_train, self.y_train) grid = GridSearchCV(model, param_grid=param, scoring='accuracy', cv=10)
return grid_svc.best_params_ grid.fit(self.X_train, self.y_train)
print("%s: %f" % (grid.best_params_, grid.best_score_))
def gs_svc(self): def gs_svc(self):
param = { param = {
@ -67,15 +77,21 @@ class WinePredict:
'kernel': ['linear', 'rbf'], 'kernel': ['linear', 'rbf'],
'gamma': [0.1, 0.8, 0.9, 1, 1.1, 1.2, 1.3, 1.4] 'gamma': [0.1, 0.8, 0.9, 1, 1.1, 1.2, 1.3, 1.4]
} }
print(self.grid_search(SVC, param)) self.grid_search(SVC(), param)
# {'C': 1.4, 'gamma': 0.8, 'kernel': 'rbf'} # {'C': 1.4, 'gamma': 0.8, 'kernel': 'rbf'}
def gs_rfc(self):
self.grid_search(RandomForestClassifier(), {
'n_estimators': [200],
'random_state': [_ for _ in range(0, 200, 10)]
})
def report(self, fc): def report(self, fc):
r = fc() r = fc()
if r.dtype == 'float64' or r.dtype == 'float32': if r.dtype == 'float64' or r.dtype == 'float32':
r = r.round() r = r.round()
# print(classification_report(self.y_test, r)) # print(classification_report(self.y_test, r))
print(fc.__name__) print(fc.__doc__.strip())
print(" R2: %f" % r2_score(self.y_test, r)) print(" R2: %f" % r2_score(self.y_test, r))
print(" accuracy: %f" % accuracy_score(self.y_test, r)) print(" accuracy: %f" % accuracy_score(self.y_test, r))
@ -91,5 +107,7 @@ class WinePredict:
if __name__ == '__main__': if __name__ == '__main__':
wp = WinePredict() wp = WinePredict()
wp.report(wp.lr) wp.gs_rfc()
for i in [wp.rfc, wp.lr, wp.svc, wp.sgd, wp.mlp][:1]:
wp.report(i)
# wp.showXY() # wp.showXY()