机器学习基础（一）

机器学习基础实验报告

实验一：

一、实验目的

1. 熟悉AWS SageMaker平台
2. 学习如何对内存中的数据进行操作，NDArray是一个类，也是存储和变换数据的主要工具更加适合深度学习。
3. 学习如何使用MXNet提供的 autograd 模块来自动求梯度。
4. 学习对有用到的MXNet函数和类如何查阅文档。
5. 学习如何只利用 NDArray 和 autograd 来实现一个线性回归的训练。

 

二、实验内容和步骤

 

练习一：

运行本节中的代码，保存运行结果

1. 构造两个100x100大小,类型为NDArray的矩阵A和B，其元素符合均值为0，标准差为1的随机正太分布

2. 计算向量 （大小为100x1的向量），这里 （ 范数的平方,注意这里范数计算出来的 值需要转成标量才能取平方），其中下标i代表B矩阵第i列，向量d类型为NumPy格式

3. 将第41行notebook中的条件判别式X==Y改为X<Y,看看能够得到什么样的NDArray

练习二：

运行本节代码，并保存结果到实验报告

运行下列控制流求梯度的例子，并分析结果。

import math

def f(x):

    y = x # going to change y but still want to use x

    if x < 0.75: # variable num_loops because it depends on x

        num_loops = math.floor(1/(1-x.asscalar()))

        for i in range(num_loops):

            y = y * x # increase polynomial degree

    else: # otherwise flatline

        y = y * 0

    return y

def get_grad(f, x):

    x.attach_grad()

    with autograd.record():

        y = f(x)

    y.backward()

    return x.grad

xs = nd.arange(0.0, 1.0, step=0.1)

grads = [get_grad(f, x).asscalar() for x in xs]

print(grads)

练习三：

查阅 NDArray 支持的其他操作，截图放在实验报告里。

练习四：

为什么 squared_loss 函数中需要使用 reshape 函数？

尝试使用不同的学习率和批量大小，观察损失函数值的下降趋势。

三、代码及运行结果分析

 

练习一： 

 

练习二：

 练习三：

 练习四：

 

四、心得体会

本次实验学习先了解python中的ndarray的相关知识，进而进行学习相关的深度学习如自动求梯度，以及线性回归的相关训练。本次实验还查阅了NDArray 支持的其他操作，从而能更加的了解NDArray并而学习相关知识。通过本次实验，收获颇多，对今后机器学习有了更大的帮助。

注释：练习题答案全在实验截图当中。