神经网络实现鸢尾花分类
环境：tensorflow2.3.0 python3.7.13 numpy1.21.5
（一）准备数据
1.数据集录入
from sklearn import datasets # 没有的需要先安装：pip install sklearn x_data = datasets.load_iris().data # 返回iris数据集所有的输入特征 y_data = datasets.load_iris().target # 返回iris数据集所有标签
2.数据集乱序
import numpy as np import tensorflow as tf np.random.seed(116) # 使用相同的seed，使输入特征/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)
3.生成训练集和测试集（x_train/y_train，x_test/y_test）
# 将打乱后的数据集分割为训练集和测试集，训练集为前120行，测试集为后30行 x_train = x_data[:-30] y_train = y_data[:-30] x_test = x_data[-30:] y_test = y_data[-30:] # 转换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)
4.配成（输入特征，标签）对，每次读入一小撮（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) # 每32组输入标签对打包为一个batch # 后续喂入神经网络时会以batch为单位喂入
（二）搭建神经网络
5.定义神经网络中所有可训练参数
w1 = tf.Variable(tf.random.truncated_normal([4,3],stddev=0.1,seed=1)) # 输入层4，输出层3 # 因为我们鸢尾花的特征分为4种,输出节点数等于分类数是3分类 # 因此，得到四行三列的张量w1 b1 = tf.Variable(tf.random.truncated_normal([3],stddev=0.1,seed=0.1)) # b1必须和w1的维度一致，因此是3 # 到此，神经网络的基本结构，就搭建出来了
（三）参数优化
lr = 0.1 # 学习率为0.1 train_loss_results = [] # 将每轮的loss记录在此列表中，为后续画loss曲线提供数据 test_acc = [] # 将每轮的acc记录在此列表中，为后续画acc曲线提供数据 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
6.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 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 # 计算总loss y = tf.matmul(x_train, w1) + b1 # 神经网络乘加运算 y = tf.nn.softmax(y) # 使输出y符合概率分布（此操作后与独热码同量级，可相减求loss） y_ = tf.one_hot(y_train, depth=3) # 将标签值转换为独热码格式，方便计算loss和accuracy loss = tf.reduce_mean(tf.square(y_ - y)) # 采用均方误差损失函数mse = mean(sum(y-out)^2) loss_all += loss.numpy() # 将每个step计算出的loss累加，为后续求loss平均值提供数据，这样计算的loss更准确 grads = tape.gradient(loss,[w1,b1]) # 损失函数loss分别对参数w1和b1计算偏导数 w1.assign_sub(lr * grads[0]) # 参数自更新 b1.assign_sub(lr * grads[1]) print("Epoch {} , loss:{}".format(epoch,loss_all/4)) # 打印出该轮损失函数数值 # loss_all/4 求得每次step迭代的平均loss。因为：训练集有120组数据，batch是32个，每个step只能喂入32组数据，需要batch级别循环 循环4次 ，因此除以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 # 第一层for循环是针对整个数据集进行循环 # 第二层for循环是针对batch进行循环
（四）测试效果
我们希望每个epoch循环后可以显示当前模型的效果
7.计算当前参数前向传播后的准确率，显示当前acc
total_correct, total_number = 0, 0 for x_test,y_test in test_db: # y = tf.matmul(h,w)+b # y为预测结果 y = tf.matmul(x_test, w1) + b1 # y为预测结果 y = tf.nn.softmax(y) # y符合概率分布 pred = tf.argmax(y,axis=1) # 返回y中最大索引值，即预测的分类 pred = tf.cast(pred,dtype=y_test.dtype) # 调整数据类型与标签一致 correct = tf.cast(tf.equal(pred,y_test),dtype=tf.int32) correct = tf.reduce_sum(correct) # 将每个batch的correct数加起来 total_correct += int(correct) # 将所有batch中的correct数加起来 total_number += x_test.shape[0] acc = total_correct / total_number test_acc.append(acc) print("Test_acc:", acc) print("--------------------------")
## 6、7代码综合
for epoch in range(epoch): # 数据集级别迭代 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 # 计算总loss y = tf.matmul(x_train, w1) + b1 # 神经网络乘加运算 y = tf.nn.softmax(y) # 使输出y符合概率分布（此操作后与独热码同量级，可相减求loss） y_ = tf.one_hot(y_train, depth=3) # 将标签值转换为独热码格式，方便计算loss和accuracy loss = tf.reduce_mean(tf.square(y_ - y)) # 采用均方误差损失函数mse = mean(sum(y-out)^2) loss_all += loss.numpy() # 将每个step计算出的loss累加，为后续求loss平均值提供数据，这样计算的loss更准确 grads = tape.gradient(loss,[w1,b1]) # 损失函数loss分别对参数w1和b1计算偏导数 w1.assign_sub(lr * grads[0]) # 参数自更新 b1.assign_sub(lr * grads[1]) print("Epoch {} , loss:{}".format(epoch,loss_all/4)) # 打印出该轮损失函数数值 # loss_all/4 求得每次step迭代的平均loss。因为：训练集有120组数据，batch是32个，每个step只能喂入32组数据，需要batch级别循环 循环4次 ，因此除以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 # 第一层for循环是针对整个数据集进行循环 # 第二层for循环是针对batch进行循环 total_correct, total_number = 0, 0 for x_test,y_test in test_db: y = tf.matmul(x_test, w1) + b1 # y为预测结果 y = tf.nn.softmax(y) # 使y符合概率分布 pred = tf.argmax(y,axis=1) # 返回y中最大索引值，即预测的分类 pred = tf.cast(pred,dtype=y_test.dtype) # 调整数据类型与标签一致 correct = tf.cast(tf.equal(pred,y_test),dtype=tf.int32) correct = tf.reduce_sum(correct) # 将每个batch的correct数加起来 total_correct += int(correct) # 将所有batch中的correct数加起来 total_number += x_test.shape[0] acc = total_correct / total_number # 计算正确率 test_acc.append(acc) print("Test_acc:", acc) print("--------------------------")
Epoch 0 , loss:0.282870564609766 Test_acc: 0.16666666666666666 -------------------------- Epoch 1 , loss:0.25627104938030243 Test_acc: 0.16666666666666666 -------------------------- 中间数据太多，为了不影响阅读，我删除了 -------------------------- Epoch 499 , loss:0.03235771972686052 Test_acc: 1.0 --------------------------
（五）acc/loss可视化
import matplotlib.pyplot as plt # 绘制 loss 曲线 plt.title('Loss Function Curve') # 图片标题 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trian_loss_results值并连线，连线图标是Loss plt.legend() # 画出曲线图标 plt.show() # 画出图像
# 绘制 Accuracy 曲线 plt.title('Acc Curve') # 图片标题 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test_acc值并连线，连线图标是Accuracy plt.legend() plt.show()
完整代码
# -*- coding: UTF-8 -*- # 利用鸢尾花数据集，实现前向传播、反向传播，可视化loss曲线 # 导入所需模块 import tensorflow as tf from sklearn import datasets from matplotlib import pyplot as plt import numpy as np # 导入数据，分别为输入特征和标签 x_data = datasets.load_iris().data y_data = datasets.load_iris().target # 随机打乱数据（因为原始数据是顺序的，顺序不打乱会影响准确率） # seed: 随机数种子，是一个整数，当设置之后，每次生成的随机数都一样（为方便教学，以保每位同学结果一致） 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) # 将打乱后的数据集分割为训练集和测试集，训练集为前120行，测试集为后30行 x_train = x_data[:-30] y_train = y_data[:-30] x_test = x_data[-30:] y_test = y_data[-30:] # 转换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，每个批次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) # 生成神经网络的参数，4个输入特征故，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 # 使用seed使每次生成的随机数相同（方便教学，使大家结果都一致，在现实使用时不写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记录在此列表中，为后续画loss曲线提供数据 test_acc = [] # 将每轮的acc记录在此列表中，为后续画acc曲线提供数据 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): #数据集级别的循环，每个epoch循环一次数据集 for step, (x_train, y_train) in enumerate(train_db): #batch级别的循环 ，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符合概率分布（此操作后与独热码同量级，可相减求loss） y_ = tf.one_hot(y_train, depth=3) # 将标签值转换为独热码格式，方便计算loss和accuracy loss = tf.reduce_mean(tf.square(y_ - y)) # 采用均方误差损失函数mse = mean(sum(y-out)^2) loss_all += loss.numpy() # 将每个step计算出的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 * w1_grad 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b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，将这两个变量都初始化为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中最大值的索引，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轴变量名称 plt.ylabel('Loss') # y轴变量名称 plt.plot(train_loss_results, label="$Loss$") # 逐点画出trian_loss_results值并连线，连线图标是Loss plt.legend() # 画出曲线图标 plt.show() # 画出图像 # 绘制 Accuracy 曲线 plt.title('Acc Curve') # 图片标题 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test_acc值并连线，连线图标是Accuracy plt.legend() plt.show()
Epoch 0, loss: 0.2821310982108116 Test_acc: 0.16666666666666666 -------------------------- [中间数据要多，为了不影响阅读，我手动删除了] Epoch 499, loss: 0.0323002771474421 Test_acc: 1.0 --------------------------
