鸢尾花分类代码主要由以下几个步骤:
Step1:导入数据集
Step2:划分数据集为训练集和测试集
Step3:模型训练与模型测试
Step4:绘制loss和acc曲线评估模型质量
代码详细解析如下:
#鸢尾花分类代码是非常经典的分类代码,背下来并掌握具有必要性
# 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,分别加载鸢尾花四个特征变量和所属类型
x_data = datasets.load_iris().data
y_data = datasets.load_iris().target
#seed是随机数种子,每次生成的随机数都相同,设置参数可以设置生成随机数的数量大小
np.random.seed(116)
#shuffle作用就是重新排序返回一个随机序列作用类似洗牌,这里的作用是打乱顺序
np.random.shuffle(x_data)
#记住数据集打乱的操作方法
np.random.seed(116)
np.random.shuffle(y_data)
#设置全局种子,如果不设置seed,每一次运行结果都不一样
tf.random.set_seed(116)
# 将打乱后的数据集分割为训练集和测试集
#训练集设置取数据集的前76行,注意这个-30表达,这样写四行都比较统一
x_train = x_data[:-30]
y_train = y_data[:-30]
#测试集设置选取数据集的后30行
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
#最好都要加上这一步,数据类型一致确保万无一失
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
#batch设置为32,设置batch的原因是打包训练数据为一个元组,这样可以提高训练效率
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
#这里是初始化w1和b1的,w1是四行三列的矩阵
w1 = tf.Variable(tf.random.truncated_normal([4, 3], stddev=0.1, seed=1))
#b1是一维数组,可以理解为一行三列的矩阵
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,with是上下文管理器,利于小内存提高效率
#这里的x_train的行数是由batch的大小决定的
y = tf.matmul(x_train, w1) + b1 # 神经网络乘加运算,涉及矩阵的相乘和相加
y = tf.nn.softmax(y) # 归一化概率值,方便与标签值进行比较,这里用softmax格式
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
#这里计算的loss是一个batch的loss
loss = tf.reduce_mean(tf.square(y_ - y)) # 采用均方误差损失函数mse = mean(sum(y-out)^2)
# 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
#讲每个batch的loss转换成numpy格式并累加
loss_all += loss.numpy()
# 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
#这里注意print的格式,{}里面的东西与后面的对应关系
#loss_all的含义
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是y中每一行概率最大值的索引
pred = tf.argmax(y, axis=1)#返回y中最大值的索引,即预测的分类
#这里y_test数据集就是“0,1,2”的形式,y最大值的索引就代表了鸢尾花的类型
# 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
#比较pred和y_test是否相同,tf.equal输出的结果是布尔类型,要转换成int类型以方便计数
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
#这里累加的是每个batch的行数
#本次实验batch设置为32,但是测试集只有30条数据,所以x_test有30条数据,只有一个batch的行数,这也是总行数
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()