Generate_x_y_data_v1()函数理解

发表于 |
字数统计: 362 | 阅读时长 ≈ 1 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
def generate_x_y_data_v1(isTrain, batch_size):
#     """
# 练习数据1。
#      返回：元组（X，Y）
#          X是从0.0 * pi到1.5 * pi的正弦和余弦
#          Y是从1.5 * pi到3.0 * pi的正弦和余弦
#      因此，Y跟随X.还有一个通常应用于X和Y的随机偏移。

#      返回的数组具有以下形状：（seq_length，batch_size，output_dim）
#         因此：（10，batch_size，2）
#      对于本练习，让我们忽略“isTrain”
#      论证和测试相同的数据。
#     """
seq_length = 3
batch_size = 3

batch_x = []
batch_y = []
for _ in range(batch_size):
    rand = random.random() * 2 * math.pi

    sig1 = np.sin(np.linspace(0.0 * math.pi + rand,
                              3.0 * math.pi + rand, seq_length * 2))
    print(_)
    print(sig1)
    sig2 = np.cos(np.linspace(0.0 * math.pi + rand,
                              3.0 * math.pi + rand, seq_length * 2))
    x1 = sig1[:seq_length]
    y1 = sig1[seq_length:]
    x2 = sig2[:seq_length]
    y2 = sig2[seq_length:]

    x_ = np.array([x1, x2])
    y_ = np.array([y1, y2])
    x_, y_ = x_.T, y_.T

    batch_x.append(x_)
    batch_y.append(y_)

batch_x = np.array(batch_x)
batch_y = np.array(batch_y)
# shape: (batch_size, seq_length, output_dim)

batch_x = np.array(batch_x).transpose((1, 0, 2))
batch_y = np.array(batch_y).transpose((1, 0, 2))
# shape: (seq_length, batch_size, output_dim)

    return batch_x, batch_y

sig1 是ndarray类型，长度为seq_length*2 , 主要np.linspace()函数。

numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None, axis=0)

sig2 和sig1 一样的思路
x1 y1 是对sig1的截取，分别取前半段和后半段
x2 y2 是对sig2的截取，分别取前半段和后半段

batch_x 就是x1 x2 形成的矩阵。
batch_y 就是y1 y2 形成的矩阵。

batch_x.shape = (seq_length, batch_size,2)

有seq_length个样本，每个样本的维度 (batch_size,2)

span-english

  1. preprocessing data
  2. build model
  3. 1 encoder
  4. 2 Attention
  5. 3 decoder
  6. evaluation
  7. 1 given sentence, return translated results
  8. 2 visualize results(attention)