Tensorflow学习笔记——神经网络实现鸢尾花分类
一、整体过程梳理
- 准备数据
- 数据集读入
- 数据集乱序
- 生成训练集和测试集
- 配对（输入特征，标签）对，每次读入一小撮（batch）
- 搭建网络
- 定义神经网络中所有可训练参数
- 参数优化
- 嵌套循环迭代，with结构更新参数，显示当前loss
- 测试效果
- 计算当前参数前向传播后的准确率，显示当前acc
- acc/loss可视化
二、代码：
import tensorflow as tf from sklearn import datasets from pandas import DataFrame import pandas as pd from matplotlib import pyplot as plt import numpy as np def demo_class(): ''' 鸢尾花分类： 150份数据，四个特征，三个分类 :return: ''' # 数据集导入 x_data = datasets.load_iris().data # .data返回iris数据集所有输入特征 y_data = datasets.load_iris().target # .data返回iris数据集所有标签 # print('x_data from datasets: \n', x_data) # print('y_data from datasets: \n', y_data) # # x_data = DataFrame(x_data, columns=['花萼长度', '花萼宽度', '花瓣长度', '花瓣宽度']) # pd.set_option('display.unicode.east_asian_width', True) # 设置列名对齐 # print('x_data add index: \n', x_data) # # x_data['类别'] = y_data # 新加一列，列标签为类别 # print('x_data add column: \n', x_data) # 数据集乱序 # seed: 随机数种子，设置之后每次生成的随机数一样 np.random.seed(116) # 使用相同的seed,保证输入特征和标签一一对应 np.random.shuffle(x_data) np.random.seed(116) np.random.shuffle(y_data) tf.random.set_seed(116) # 将打乱的数据集分割为训练集和测试集 x_train = x_data[:-30] y_train = y_data[:-30] x_test = x_data[-30:] y_test = y_data[-30:] # 转换为x的数据类型，否则后面矩阵相乘时会因数据类型不一致报错 x_train = tf.cast(x_train, tf.float32) x_test = tf.cast(x_test, tf.float32) # from_tensor_slices函数使输入特征和标签值一一对应。（把数据集分批次，每批次batch组数据） train_db = tf.data.Dataset.from_tensor_slices((x_train, y_train)).batch(32) test_db = tf.data.Dataset.from_tensor_slices((x_test, y_test)).batch(32) # 生成神经网络参数，4个输入特征，输入层为4个输入节点，因为3分类；故输出层为3个神经元 # 用tf.Variable()标记参数可训练 # 用seed使每次生成的随机数相同，方便教学；现实中可不写seed w1 = tf.Variable(tf.random.truncated_normal([4, 3], stddev=0.1, seed=1)) b1 = tf.Variable(tf.random.truncated_normal([3], stddev=0.1, seed=1)) lr = 0.1 # 学习率为0.1 train_loss_results = [] # 将每轮的loss记录，为画loss曲线提供数据 test_acc = [] # 将每轮acc记录，为画acc提供数据 epoch = 500 # 循环500轮 loss_all = 0 # 每轮分4个step, loss_all 记录四个step生成的4个loss的和 # 训练部分 for epoch in range(epoch): for step, (x_train, y_train) in enumerate(train_db): # batch级别循环,每个step循环一个batch with tf.GradientTape() as tape: # with结构记录梯度信息 y = tf.matmul(x_train, w1) + b1 # 神经网络乘加运算 y = tf.nn.softmax(y) # 使输出y符合正态分布（此操作后可与同热码同量级） y_ = tf.one_hot(y_train, depth=3) # 将标签值转为同热码格式，方便计算loss间 loss = tf.reduce_mean(tf.square(y_ - y)) # 采用均方误差损失函数mse=mean() loss_all += loss.numpy() # 将每个step计算出得loss累加，为后续求loss平均值提供数据,这样计算的loss更准确 # 计算loss对各个参数的梯度 grads = tape.gradient(loss, [w1, b1]) # 实现梯度更新 w1 = w1 - lr + wlgrad b = b-lr+b_grad w1.assign_sub(lr * grads[0]) # 参数w1自更新 b1.assign_sub(lr * grads[1]) # 参数b1自更新 # 每个epoch, 打印loss信息 print("Epoch {}, loss: {}".format(epoch, loss_all/4)) train_loss_results.append(loss_all / 4) # 将4个step的loss求平均记录在此变量中 loss_all = 0 # loss_all 归零，为记录下一个epoch的loss做准备 # 测试部分 #total_correct 为预测对的样本个数，total_number为测试的总样本数，将这两个变量初始化为0 total_correct, total_number = 0, 0 for x_test, y_test in test_db: # 使用更新后的参数进行预测 y = tf.matmul(x_test, w1) + b1 y = tf.nn.softmax(y) pred = tf.argmax(y, axis=1) # 返回y中最大值得索引，即预测的分类 # 将pred转换为y_test的数据类型 pred = tf.cast(pred, dtype=y_test.dtype) # 若分类正确，则correct=1,否则为0,将bool型的结果转换为int型 correct = tf.cast(tf.equal(pred, y_test), dtype=tf.int32) # 将每个batch的correct数加起来 correct = tf.reduce_sum(correct) # 将所有batch中的correct数加起来 total_correct += int(correct) # total_number为测试的总样本数，也就是x_test的行数，shape[0]返回变量的行数 total_number += x_test.shape[0] # 总的准确率等于total_correct/total_number acc = total_correct / total_number test_acc.append(acc) print("Test_acc:", acc) print("------------------------") # 绘制loss曲线 plt.title('Loss function curve') # 图片标题 plt.xlabel('Epoch') # x轴变量名 plt.ylabel('loss') # x轴变量名 plt.plot(train_loss_results, label="$Loss$") # 逐点画出并连线 plt.legend() # 画出曲线图标 plt.show() # 画出图像 # 绘制Accuracy曲线 plt.title('Acc function curve') # 图片标题 plt.xlabel('Epoch') # x轴变量名 plt.ylabel('Acc') # x轴变量名 plt.plot(test_acc, label="$Accuracy$") # 逐点画出并连线 plt.legend() # 画出曲线图标 plt.show() # 画出图像 if __name__ == '__main__': # demo() # demo2() demo_class()
