深度学习分类步骤——鸢尾花分类

1.数据集的介绍

以鸢尾花数据集为例，共有150组，每组包括花萼长、花萼宽、花瓣长、花瓣宽4个输入特征。同时给出了这一组特征对应的鸢尾花的类别。类别包括狗尾草鸢尾、杂色鸢尾以及弗吉尼亚鸢尾，分别用0，1，2表示。

数据集读入：从sklearn包datasets读入数据集，如下：

from sklearn.datasets import load_iris

x_data = load_iris().data  # 返回iris数据集所有输入特征
y_data = load_iris().target  # 返回iris数据集所有标签

from sklearn.datasets import load_iris
from pandas import DataFrame
import pandas as pd

x_data = load_iris().data  # 返回iris数据集所有输入特征
y_data = load_iris().target  # 返回iris数据集所有标签
print("x_data from datasets:", x_data)
print("y_data from datasets", y_data)

x_data = DataFrame(x_data, columns=['花萼长', '花萼宽', '花瓣长', '花瓣宽'])
pd.set_option('display.unicode.east_asian_width', True)  # 设置列名对齐
print(x_data)

x_data['类别'] = y_data  # 新加一列，列标签‘类别’，数据为y_data
print("x_data add a column: \n", x_data)

 2.鸢尾花分类

1. 准备数据

•  数据集读入
• 数据集乱序
• 生成永不相见的训练集和测试集（即x_train / y_train, x_test / y_test）
• 配成（输入特征，标签）对每次读入一小撮（batch）

     2.搭建网络

定义神经网络中所有可训练参数

     3. 参数优化

嵌套循环迭代，with结构更新参数，显示当前loss

    4. 测试效果

计算房前参数前向传播后的准确率，显示当前acc

    5.acc / loss可视化 

3.鸢尾花分类案例

完整程序：

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

import os
import PySide2
dirname = os.path.dirname(PySide2.__file__)
plugin_path = os.path.join(dirname, 'plugins', 'platforms')
os.environ['QT_QPA_PLATFORM_PLUGIN_PATH'] = plugin_path

# 定义超参数和画图用的两个存数据的空列表
lr = 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 = 300
loss_all = 0  # 每轮分为4个step（因为一共有120个训练数据，每个batch有32个样本，所以epoch迭代一次120个数据需要4个batch），loss_all记录四个step生成的4个loss的和

# ____________________________数据准备______________________________
# 1.数据集的读入
x_data = load_iris().data  # 返回iris数据集所有输入特征
y_data = load_iris().target  # 返回iris数据集所有标签
# print("x_data from datasets:", x_data)
# print("y_data from datasets", y_data)

# 2.数据集乱序
np.random.seed(116)  # 使用相同的种子seed，使得乱序后的数据特征和标签仍然可以对齐
np.random.shuffle(x_data)  # 打乱数据集
np.random.seed(116)
np.random.shuffle(y_data)
tf.random.set_seed(116)

# 3.数据集分出永不相见的训练集和测试集
x_train = x_data[:-30]  # 前120个数据作为训练集
y_train = y_data[:-30]  # 前120个标签作为训练集标签
x_test = x_data[-30:]   # 后30个数据集作为测试集
y_test = y_data[-30:]

# 转换x的数据类型，否则后面矩阵相乘时会因为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)

# 配成【输入特征， 标签】对，每次喂入一小撮（batch）(把数据集分为批次，每批次32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)

# ____________________________定义神经网络______________________________
w1 = tf.Variable(tf.random.truncated_normal([4, 3], stddev=0.1, seed=1))  # 4表示输入的4的特征，3表示3分类
b1 = tf.Variable(tf.random.truncated_normal([3], stddev=0.1, seed=1))   # 3表示3分类

# ____________________________训练部分：嵌套循环迭代_______________________
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:  # 在with结构中计算前向传播y以及计算总损失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，可以相减求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acc
            loss = tf.reduce_mean(tf.square(y_ - y))  # 采用均值方差损失函数MSE
            loss_all += loss.numpy()  # 将每个step计算出loss累加，为后续求loss平均值提供数据
        # 计算loss对各个参数的梯度
        grads = tape.gradient(loss, [w1, b1])  # 损失函数loss分别对参数w1和b1计算偏导数
        # 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b1自更新

    # 求出每个epoch的平均损失
    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：识别准确率______________________________
    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)  # y符合概率分布
        pred = tf.argmax(y, axis=1)  # 返回y中最大值的索引，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，即为把pred预测值转换为y_test数据类型
        correct = tf.cast(tf.equal(pred, y_test), dtype=tf.int32)  # 如果真实值与预测值相同，就正确
        correct = tf.reduce_sum(correct)  # 将每个batch的correct加起来
        total_correct += int(correct)  # 将所有batch中的correct数加起来
        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("__________________________")

# ____________________________acc / loss 可视化___________________________
# 绘制loss曲线
plt.title("Loss Curve")
plt.xlabel("Epoch")
plt.ylabel("Loss")
plt.plot(train_loss_results, label="$Loss$")  #逐点画出test_acc值并连线
plt.legend()
plt.show()

#  绘制Accuracy曲线
plt.title("Acc Curve")
plt.xlabel("Epoch")
plt.ylabel("Acc")
plt.plot(test_acc, label="$Accuracy$")  #逐点画出test_acc值并连线
plt.legend()
plt.show()