週六被小夥伴拖去游泳,美名其曰:鍛鍊身體。其實某人就是去泡澡的,哈哈。說正題吧,游完泳在體育場裏閒逛,裏面很大,轉着轉着看到一個保齡球館,懷着對未知事物的好奇,決定和某人去嘗試一下。我和S同窗一人買了一局,按照說明,每一局分爲10次,每一次有兩次機會扔球。最後的比分就不說了,反正玩的很爽,最後也在邊上一個厲害的大叔指點下,學會了基本的扔球姿式。 html
看到這你覺得這是一篇敘事文?那就錯了,原由是從這裏開始的,咱們的次數用完後,留在裏面打檯球(這裏也有檯球桌),看到不斷有穿着隊服一類東西的人進來,應該是來比賽的,同時又看到了賽道上面的牌子,有一個寫着:289分。那分數是怎麼計算的呢,懷着好奇心搜索起保齡球的積分規則來。在瞭解以後,我就在想一個問題:__若是是讓我開發一個保齡球的遊戲,那麼計分程序要怎麼寫呢?__今天咱們就從這裏提及。。。python
先簡述一下保齡球的規則,這裏引用百度知道的別人的回答,每一局比賽有10格,每格有兩次擊球機會,咱們這裏關注它的得分狀況,這裏分爲兩種狀況:apache
1-9格擊球
每一格有3種可能:api
第10格擊球
這一格有兩種可能:數組
規則也瞭解了,下面就到了寫代碼的時候了,爲了方便,這裏選擇Python,版本爲3.6
考慮到直觀性,這裏沒有用交互式的程序,而是直接將擊中狀況抽象成矩陣(數組),算出最後總分。
輸入的數據大概是這個樣子:網絡
[[0, 3], [2, 6], [3, 6], [0, 3], [3, 0], [9, 1], [6, 3], [6, 2], [4, 6], [4, 2]]框架
10x2的數組,表明前10格每格的擊倒瓶數,若是一格內不須要第二次擊球,也算做0。這裏先寫一個簡單的數據生成函數。dom
import random def top_10(): for i in range(10): for j in range(2): if j == 0 : a[i][j] = random.randint(0,10) else : a[i][j] = random.randint(0,10-a[i][j-1]) return a
同時,咱們注意到了,這個生成函數還少了點什麼,沒錯,就是第十格的追加擊球數。因此,這裏再定義一個追加球生成函數
這裏爲了後面計算方便,也定義爲[[x,y]]
這種格式函數
def addto_num(a): return [[random.randint(0,10),0]] if sum(a[9]) == 10 else [[0,0]]
原始數據的生成咱們完成了,接下來要定義計算函數了,計算總分數學習
def calc_total(top): sums = 0 index = 0 for x in top: if x[0] == 10: sums += 10 if top[index+1][0] == 10: sums += 10 + top[index+2][0] else: sums += sum(top[index+1]) elif sum(x) == 10: sums += 10 + top[index+1][0] else: sums += sum(x) index+=1 if index == 9: break sums += sum(top[8]+top[9]+top[10]) return sums
代碼寫的不是很好看,你們請諒解啊,不過整個完整的功能是作完了,咱們能夠寫個方法測試下
tmp1 = top_10() add1 = addto_num(tmp1) c = calc_total(tmp1+add1) print(c)
78
想必你們也瞭解,當下最火的就是AI,而做爲實現AI的其中一種手段,深度學習必不可少。最近也在學習這方面的知識(ps:給沐神瘋狂打call,強烈推薦他的深度學習課程,連接你們本身去搜,就不作廣告了),雖說本身連入門都算不上,但仍是想實現一下本身版本的。
因而就有了這個:
深度學習版本的保齡球得分計算方法
這裏咱們用到了mxnet這個深度學習框架,最基礎的部分的兩個庫ndarray和autograd
首先,咱們是基於線性迴歸這個最簡單也是最基礎的神經網絡實現的,模型看起來就像這樣
$$\boldsymbol{\hat{y}} = X \boldsymbol{w} + b$$
同時定義它的損失函數,也就是計算預測值和實際值的差距,這裏用兩個的平方偏差來計算,模型是這樣
$$\sum_{i=1}^n (\hat{y}_i-y_i)^2.$$
首先,咱們要__建立數據集__
由於咱們以前定義的是Python的list,因此在這裏要轉換成mxnet的內置數組ndarray
不過在此以前咱們要先改進下咱們的生成函數,以前是由兩個函數組成,如今爲了方便,咱們合成一個。同時,計算方法改形成ndarray版本的。
from mxnet import ndarray as nd from mxnet import autograd def init_data(): for i in range(0,10): for j in range(0,2): if j == 0 : a[i][j] = random.randint(0, 10) else : a[i][j] = random.randint(0,10-a[i][j-1]) return a+[[random.randint(0,10),0]] if sum(a[9]) == 10 else a+[[0,0]] def calc_total_nd(top): sums = 0 index = 0 for x in top: if x[0].asscalar() == 10: sums += 10 if top[index+1][0].asscalar() == 10: sums += 10 + top[index+2][0].asscalar() else: sums += nd.sum(top[index+1]).asscalar() elif nd.sum(x).asscalar() == 10: sums += 10 + top[index+1][0].asscalar() else: sums += nd.sum(x).asscalar() index+=1 if index == 9: break sums += nd.sum(top[8]+top[9]+top[10]).asscalar() return sums num_inputs = 22 num_examples = 1000 X = nd.zeros(shape=(num_examples,11,2)) for i in X: i[:] = nd.array(init_data()) y = nd.array([calc_total_nd(i) for i in X])
而後是定義 數據讀取方法
目的是在後面訓練時隨機遍歷咱們的數據集,這裏參考了沐神教程裏的方法。
import random batch_size = 10 def data_iter(): # 產生一個隨機索引 idx = list(range(num_examples)) random.shuffle(idx) for i in range(0, num_examples, batch_size): j = nd.array(idx[i:min(i+batch_size,num_examples)]) yield nd.take(X, j), nd.take(y, j)
嘗試着讀取一個
for data, label in data_iter(): print(data, label) break
[[[ 2. 0.] [ 7. 0.] [ 1. 7.] [ 2. 2.] [ 6. 2.] [ 0. 5.] [ 0. 5.] [ 7. 1.] [ 6. 4.] [ 3. 0.] [ 0. 0.]] [[ 6. 3.] [ 4. 2.] [ 2. 4.] [ 8. 2.] [ 4. 6.] [ 6. 3.] [ 2. 6.] [ 6. 3.] [ 2. 3.] [ 8. 2.] [ 7. 0.]] [[ 10. 0.] [ 8. 0.] [ 2. 2.] [ 8. 2.] [ 0. 3.] [ 10. 0.] [ 10. 0.] [ 6. 3.] [ 10. 0.] [ 1. 7.] [ 0. 0.]] [[ 5. 1.] [ 6. 2.] [ 10. 0.] [ 3. 6.] [ 8. 2.] [ 10. 0.] [ 4. 4.] [ 2. 4.] [ 2. 0.] [ 7. 3.] [ 10. 0.]] [[ 6. 2.] [ 8. 0.] [ 0. 0.] [ 9. 0.] [ 6. 4.] [ 5. 3.] [ 5. 0.] [ 1. 6.] [ 0. 1.] [ 4. 4.] [ 0. 0.]] [[ 5. 5.] [ 6. 3.] [ 0. 7.] [ 2. 8.] [ 10. 0.] [ 4. 0.] [ 1. 5.] [ 1. 2.] [ 1. 2.] [ 0. 2.] [ 0. 0.]] [[ 10. 0.] [ 0. 3.] [ 3. 7.] [ 3. 1.] [ 8. 1.] [ 4. 2.] [ 8. 1.] [ 6. 4.] [ 10. 0.] [ 5. 0.] [ 0. 0.]] [[ 8. 2.] [ 10. 0.] [ 6. 0.] [ 10. 0.] [ 1. 4.] [ 2. 6.] [ 9. 0.] [ 5. 5.] [ 7. 1.] [ 5. 1.] [ 0. 0.]] [[ 9. 1.] [ 7. 1.] [ 6. 3.] [ 0. 5.] [ 7. 3.] [ 7. 1.] [ 6. 3.] [ 3. 1.] [ 3. 3.] [ 10. 0.] [ 6. 0.]] [[ 0. 10.] [ 4. 3.] [ 2. 6.] [ 2. 6.] [ 4. 1.] [ 8. 1.] [ 5. 4.] [ 3. 6.] [ 6. 4.] [ 4. 2.] [ 0. 0.]]] <NDArray 10x11x2 @cpu(0)> [ 73. 104. 133. 118. 70. 87. 107. 118. 105. 99.] <NDArray 10 @cpu(0)>
數據準備好了,如今要定義一個__初始化的模型參數__
這裏隨機生成一個就行了,後面咱們會經過訓練,慢慢學習完善這個參數,這也是深度學習的目的
w = nd.random_normal(shape=(num_inputs, )) b = nd.random_normal(shape=(1,)) params = [w, b] print(params)
[ [ 0.50869578 -0.16038011 0.91511744 0.84187603 -0.49177799 -1.00553632 -1.55609238 3.13221502 -0.15748753 -0.4358989 -0.52664566 -0.49295077 -0.17884982 1.43718672 0.43164727 -0.31814137 0.46760127 -0.16282491 0.17287086 0.6836102 0.76158988 1.61066961] <NDArray 22 @cpu(0)>, [ 9.91063134e-05] <NDArray 1 @cpu(0)>]
而後附上梯度,也就是讓後面autograde能夠對這個函數求導
for param in params: param.attach_grad()
定義模型和損失函數
這裏要注意的是:咱們的維度不是1,因此要把數組的維度reshape一下變成一維數組
def net(X): return nd.dot(X.reshape((-1,num_inputs)), w) + b def square_loss(yhat, y): return (yhat - y.reshape(yhat.shape)) ** 2
而後是優化方法,也就是學習方法,讓函數去學習參數
def SGD(params, lr): for param in params: param[:] = param - lr * param.grad
最後就是__訓練__了
epochs = 5 learning_rate = .0001 for e in range(epochs): total_loss = 0 for data, label in data_iter(): with autograd.record(): output = net(data) loss = square_loss(output, label) loss.backward() SGD(params, learning_rate/batch_size) total_loss += nd.sum(loss).asscalar() print("Epoch %d, average loss: %f" % (e, total_loss/num_examples))
Epoch 0, average loss: 82.049488 Epoch 1, average loss: 82.009441 Epoch 2, average loss: 81.810044 Epoch 3, average loss: 82.243776 Epoch 4, average loss: 82.023799
最後來驗證下咱們的預測結果
for data, label in data_iter(): print("實際分數") print(label) print("預測分數") print(net(data)) break
實際分數 [ 108. 77. 102. 115. 85. 110. 76. 124. 78. 87.] <NDArray 10 @cpu(0)> 預測分數 [ 107.43678284 86.52748871 101.92710114 116.50645447 90.5655899 115.31760406 80.10424805 118.94145203 84.49520111 95.17882538] <NDArray 10 @cpu(0)>
參考:
動手學深度學習