1.欠拟合与过拟合
2.欠拟合、过拟合的解决方法
(1)欠拟合的解决方法:
- 增加输入特征项
- 增加网络参数
- 减少正则化参数
(2)过拟合的解决方式
- 数据清洗
- 增大训练集
- 采用正则化
- 增大正则化参数
3.正则化缓解过拟合
正则化再损失函数中引入模型复杂度指标,利用给w加权值,弱化了训练数据的噪声(一般不正则化b)。
正则化以后loss变成由两个部分组成。
4.神经网络优化器
4.1SGD
# SGD优化鸢尾花数据集分类
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 time # 为了比较五种优化器的速度引入时间模块
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_______________________
now_time = time.time() # 用时间戳记录训练起始时间
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("__________________________")
total_time = time.time()-now_time # 用时间戳记录结束时间
print("total_time", total_time) # 打印所用总时间
# ____________________________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()
运发现用SGD优化运行时间是3.7s
4.2 SGDM
# SGDM优化鸢尾花分类
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 time # 为了比较五种优化器的速度引入时间模块
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
##########################################################
# 加入超参数
m_w, m_b = 0, 0
beta = 0.9
#########################################################
# ____________________________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_______________________
now_time = time.time() # 用时间戳记录训练起始时间
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
################################################################
# SGDM更新优化器
m_w = beta * m_w + (1 - beta) * grads[0]
m_b = beta * m_b + (1 - beta) * grads[1]
w1.assign_sub(lr * m_w)
b1.assign_sub(lr * m_b)
################################################################
# 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("__________________________")
total_time = time.time()-now_time # 用时间戳记录结束时间
print("total_time", total_time) # 打印所用总时间
# ____________________________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()
发现SGDM耗时4.15s
4.3 Adagrad优化器
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 time # 为了比较五种优化器的速度引入时间模块
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
#############################################################
# 加入超参数
v_w, v_b = 0, 0
#############################################################
# ____________________________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_______________________
now_time = time.time() # 用时间戳记录训练起始时间
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
#############################################################
# Adagram
v_w += tf.square(grads[0])
v_b += tf.square(grads[1])
w1.assign_sub(lr * grads[0] / tf.sqrt(v_w))
b1.assign_sub(lr * grads[1] / tf.sqrt(v_b))
#############################################################
# 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("__________________________")
total_time = time.time()-now_time # 用时间戳记录结束时间
print("total_time", total_time) # 打印所用总时间
# ____________________________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()
4.4 RMSProp
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 time # 为了比较五种优化器的速度引入时间模块
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
#################################################################
# 超参数
v_m, v_b = 0, 0
beta = 0.9
#################################################################
# ____________________________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_______________________
now_time = time.time() # 用时间戳记录训练起始时间
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
#######################################################################
# 写RMSPro优化器
v_m = beta * v_m + (1 - beta) * tf.square(grads[0])
v_b = beta * v_b + (1 - beta) * tf.square(grads[1])
w1.assign_sub(lr * grads[0] / tf.sqrt(v_m))
b1.assign_sub(lr * grads[1] / tf.sqrt(v_b))
#######################################################################
# 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("__________________________")
total_time = time.time()-now_time # 用时间戳记录结束时间
print("total_time", total_time) # 打印所用总时间
# ____________________________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()
这种方式可通过减小学习率解决
4.5 Adam
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 time # 为了比较五种优化器的速度引入时间模块
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
#############################################################
# 加入超参数
m_w, m_b = 0, 0
v_w, v_b = 0, 0
beta1, beta2 = 0.9, 0.999
delta_w, delta_b = 0, 0
global_step = 0
#############################################################
# ____________________________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_______________________
now_time = time.time() # 用时间戳记录训练起始时间
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
###########################################################
global_step += 1
###########################################################
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
#############################################################
# Adam
m_w = beta1 * m_w +(1 - beta1) * grads[0]
m_b = beta1 * m_b +(1 - beta1) * grads[1]
v_w = beta2 * v_w + (1 - beta2) * tf.square(grads[0])
v_b = beta2 * v_b + (1 - beta2) * tf.square(grads[1])
m_w_correction = m_w / (1 - tf.pow(beta1, int(global_step)))
m_b_correction = m_b / (1 - tf.pow(beta1, int(global_step)))
v_w_correction = v_w / (1 - tf.pow(beta2, int(global_step)))
v_b_correction = v_b / (1 - tf.pow(beta2, int(global_step)))
w1.assign_sub(lr * m_w_correction / tf.sqrt(v_w_correction))
b1.assign_sub(lr * m_b_correction / tf.sqrt(v_b_correction))
#############################################################
# 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("__________________________")
total_time = time.time()-now_time # 用时间戳记录结束时间
print("total_time", total_time) # 打印所用总时间
# ____________________________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()