鸢尾花识别

鸢尾花识别----思路

1）获取鸢尾花数据，分析处理。
2）整理数据位训练集，测试集。
3）搭建神经网络模型。
4）训练网络，优化网络模型参数。
5）保存最优的模型，进行鸢尾花识别

一.获取鸢尾花数据，分析处理

1.鸢尾花分类

2.鸢尾花特征

三种鸢尾花共同特征是：花萼长、花萼宽、花瓣长、花瓣宽。四个特征四个神经元。

通过测量可以根据以下特点来区分鸢尾花类别：

• 杂色鸢尾花：花萼长>花萼宽且花瓣长/花瓣宽>2

3.从iris数据集（也成鸢尾花数据集）获取数据
鸢尾花的四个属性特征作为输入特征，也就是有四个神经元:花萼长、花萼宽、花瓣长、花瓣宽

这个数据集包含了150个鸢尾花样本，对应3种鸢尾花，各50个样本，以及它们各自对应的4种关于花外形的数据 ，适用于分类任务。

类别作为标签，0 代表狗尾草鸢尾，1 代表杂色鸢尾，2 代表弗吉尼亚鸢尾。
x_data 存放 iris数据集所有输入特征（4 种）；y_data存放 iris数据集所有标签（3种）
代码如下：

我们输出在sklearn库中，x_data,y_data的原始数据：


插入y_data后的x_data数据为

二。整理数据位训练集，测试集

把输入特征 和 标签 做成数据对，即每一行输入特征有与之对应的类别；得出一共150行数据；其中75%作为训练集，即120行；25%作为测试集，即后30行
注：训练集和测试集，没有交集，它们之间没有一样的数据

三。搭建神经网络模型

从数据分析出，有四个输入特征，所以输入层有4个神经元节点；鸢尾花有三种类别，所以输出层有三个节点，我们需要初始化网络中的参数（权值，偏置）

通过前向传播计算，即从输入层到输出层迭代计算，预测出是哪个类别的鸢尾花，对比是否预测正确（通过损失函数计算出预测值和真实值的偏差，这个偏差越小代表预测越接近真实；最终选择最优的参数）

输入层和输出层之间的映射关系接近正确的，模型基本训练好了

输出 y 中，1.01 代表 0 类鸢尾得分，2.01 代表 1 类鸢尾得分，-0.66 代表 2 类鸢尾得分。通过输出 y 可以看出数值最大(可能性最高)的是 1 类鸢尾，而5不是标签 0 类鸢尾。这是由于最初的参数 w 和 b 是随机产生的，现在输出的结果是不准确的。

为了修正这一结果，我们用 损失函数，定义预测值 y 和标准答案(标签)_y 的差距，损失函数可以定量的判断当前这组参数 w 和 b 的优劣，当损失函数最小时，即可得到最优 w 的值和 b 的值。

损失函数，其目的是寻找一组参数 w 和 b 使得损失函数最小。为达成这一目的，我们采用梯度下降的方法。

损失函数的梯度 表示损失函数对各参数求偏导后的向量，损失函数梯度下降的方向，就是是损失函数减小的方向。梯度下降法即沿着损失函数梯度下降的方向，寻找损失函数的最小值，从而得到最优的参数。

四.训练网络，优化网络模型参数

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