tensorflow2.0学习笔记第一章第四节

1.4神经网络实现鸢尾花分类

import tensorflow as tf
from sklearn import datasets
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# 数据的读入
x_data = datasets.load_iris().data # 读入特征
y_data = datasets.load_iris().target # 读入输出
print(x_data.shape)

(150, 4)

# 数据集乱序：为了公正，打乱数据，但特征标签一一对应
np.random.seed(116) # 设置相同的随机种子
np.random.shuffle(x_data)   # 进行重新洗牌
np.random.seed(116)
np.random.shuffle(y_data)
tf.random.set_seed(116)
print(x_data.shape)

(150, 4)

# 将数据分为训练集和测试集
x_train = x_data[:-30] # 取前120个数据作为训练集
y_train = y_data[:-30]
x_test = x_data[-30:] # 取后30个数据作为测试集
y_test = y_data[-30:]
print(x_data.shape)

(150, 4)

# 对数据类型进行转换，避免与参数矩阵相乘时候报错,y不参与计算不要转换
x_train = tf.cast(x_train,tf.float32)
x_test = tf.cast(x_test,tf.float32)

# 配对：配成(输入特征和标签对)，每次喂入一小块（batch）
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)
print(train_db)

<BatchDataset shapes: ((None, 4), (None,)), types: (tf.float32, tf.int32)>

# 定义神经网络中所有的可训练参数，数据最终非为3类，且特征数为4,所以w为4X3
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))
print(w1,'\n',b1)

lr = 0.1 # learning rate 定义学习率
train_loss_results = [] # 将训练的损失值进行存储，后续进行画图
test_acc = [] # 将每一轮的准确率保存，进行画图
epoch = 500 # 循环500次
loss_all = 0 # 每一轮分为4个step,loss_all记录四个step生成4个loss

<tf.Variable 'Variable:0' shape=(4, 3) dtype=float32, numpy=
array([[ 0.08249953, -0.0683137 ,  0.19668601],
       [-0.05480815,  0.04570521,  0.1357149 ],
       [ 0.07750896, -0.16734955, -0.10294553],
       [ 0.15784004, -0.13311003,  0.06045312]], dtype=float32)>
 <tf.Variable 'Variable:0' shape=(3,) dtype=float32, numpy=array([-0.09194934, -0.12376948, -0.05381497], dtype=float32)>

# 训练部分
# 嵌套循环迭代，with结构更新参数，显示当前loss

for epoch in range(epoch):  # 数据集级别迭代,每次更新数据
    # 训练部分
    for step, (x_train, y_train) in enumerate(train_db):  # batch级别迭代
        with tf.GradientTape() as tape:  # 记录梯度信息
            # 前向传播过程计算y,没个数据是1X4，w是4X3,输出为1X3的数据
            y = tf.matmul(x_train, w1) + b1
            y = tf.nn.softmax(y)  # 是输出符合概率分布，与独热编码作用同级，可求得loss值
            y_ = tf.one_hot(y_train, depth=3)  # 将标签值转化为独热编码形式，方便求loss
            # 计算总的loss
            # 原始数据y是010或者001，100格式，用y_-y可求得到误差，但每一组有三个输出y,可平方后求平均
            loss = tf.reduce_mean(tf.square(y_ - y))  # 采用均方误差损失函数
            loss_all += loss.numpy()  # 将每个steploss累加，为后续求平均
        # 计算loss各个参数的梯度
        grads = tape.gradient(loss, [w1,b1])  # 对w1,b1求导
        # 实现梯度更新 w1 = w1 - ir *w1_grad b = b - Ir * 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

    # 每组 epoch，打印loss值
    print("Epoch {},loss {}".format(epoch, loss_all / 4))
    train_loss_results.append(loss_all / 4)
    loss_all = 0  # 将loss_all归为0，为下次计算做准备

    # 测试部分
    # total_correct为预测对的个数，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测试
        y = tf.matmul(x_test, w1) + b1
        y = tf.nn.softmax(y)
        pred = tf.argmax(y, axis=1)  # 返回y中最大数据的索引，即预测分类值
        # 将pred数据类型为整数型转换为浮点类型方便计算
        pred = tf.cast(pred, dtype=y_test.dtype)
        # 分类正确，则correct=1,反之为0，将bool类型转化为整型
        correct = tf.cast(tf.equal(pred, y_test), dtype=tf.int32)
        # 将每个batch的correct加起来
        correct = tf.reduce_sum(correct)
        # 将所有batch中correct加起来
        total_correct += int(correct)
        # total_number为总的测试集样本数
        total_number += x_test.shape[0]
    # 准确率为total_correct/total_number
    acc = total_correct / total_number
    test_acc.append(acc)
    print("Test_acc:", acc)
    print("------------------------")

Epoch 0,loss 0.2821310982108116
Test_acc: 0.16666666666666666
------------------------
Epoch 1,loss 0.25459614396095276
Test_acc: 0.16666666666666666
------------------------
Epoch 2,loss 0.22570250555872917
Test_acc: 0.16666666666666666
------------------------
Epoch 3,loss 0.21028399839997292
Test_acc: 0.16666666666666666
------------------------
Epoch 4,loss 0.19942265003919601
Test_acc: 0.16666666666666666
------------------------
Epoch 5,loss 0.18873637542128563
Test_acc: 0.5
.......
.......

Epoch 494,loss 0.032431216444820166
Test_acc: 1.0
------------------------
Epoch 495,loss 0.032404834404587746
Test_acc: 1.0
------------------------
Epoch 496,loss 0.03237855713814497
Test_acc: 1.0
------------------------
Epoch 497,loss 0.03235237207263708
Test_acc: 1.0
------------------------
Epoch 498,loss 0.03232626663520932
Test_acc: 1.0
------------------------
Epoch 499,loss 0.032300274819135666
Test_acc: 1.0

# 绘制Loss曲线
plt.title('Loss fuction curve') # 标题
plt.xlabel("Epoch") # x轴变量名称
plt.ylabel('Loss')  # y轴变                           量名称
plt.plot(train_loss_results,label='$Loss$') # 逐点画出曲线，并且链接
plt.legend() # 画出曲线图标
plt.show() # 画出图像

# 绘制Acc曲线
plt.title('Acc curve') # 标题
plt.xlabel("Epoch") # x轴变量名称
plt.ylabel('Acc')  # y轴变量名称
plt.plot(test_acc,label='$Accuracy$') # 逐点画出曲线，并且链接
plt.legend() # 画出曲线图标
plt.show() # 画出图

本节介绍了一个简单得神经网络从建立，到训练以及测试得整个过程，希望小伙伴们都能掌握。