【tensorflow】神经网络实现鸢尾花分类

主要步骤：

1.准备数据

• 数据集读入
• 数据集乱序
• 将数据集分为训练集和测试集
• 将输入特征和标签配对，每次喂入神经网络一小撮(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

• 反向传播，不断减少loss

4.测试效果

• 计算当前参数前向传播后的准确率

代码：

import tensorflow as tf
from sklearn import datasets
from matplotlib import pyplot as plt
import numpy as np
# 导入输入特征和标签
x_data = datasets.load_iris().data
y_data = datasets.load_iris().target

# 随机打乱数据
# 使用相同的随机种子，保证输入特征和标签一一对应
np.random.seed(116)
np.random.shuffle(x_data)
np.random.seed(116)
np.random.shuffle(y_data)
tf.random.set_seed(116)

# 将打乱后的数据分割为训练集(前120行)和测试集(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，保证后面矩阵相乘时数据类型一致
x_train = tf.cast(x_train, tf.float32)
x_test = tf.cast(x_test, tf.float32)

# 将输入特征和标签一一配对
# 每32组数据，打包一次，分批次喂入神经网络
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)

# 声明神经网络的参数
# 4个输入特征，3个分类，故输入层为4个输入节点，输出层为3个神经元
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))
# 学习率
lr = 0.2
# 记录每轮训练后的loss，为后续画loss曲线提供参数
train_loss_results = []
# 记录每轮训练后的正确率
test_acc = []
# 将数据喂入神经网络500次
epoch = 500
# 因为数据分批次喂入神经网络，所以需要求和
loss_all = 0

# 数据集级别的循环，每个epoch喂入一次数据集
for epoch in range(epoch):
    # batch级别的循环，每个step喂入一个batch
    for step, (x_train, y_train) in enumerate(train_db):
        with tf.GradientTape() as tape:
            # 神经网络乘加操作
            y = tf.matmul(x_train, w1) + b1
            # 使y符合概率分布，与独热码同级，相减可求loss
            y = tf.nn.softmax(y)
            # 将标签转换为独热码格式，方便计算loss和accuracy
            y_ = tf.one_hot(y_train, depth=3)
            # 使用均方误差损失函数
            loss = tf.reduce_mean(tf.square(y_ - y))
            # 将每个step计算出来的loss累加
            loss_all += loss.numpy()
        # 计算loss对各参数的导数
        grads = tape.gradient(loss, [w1, b1])

        # 参数w1和b1自更新
        w1.assign_sub(lr * grads[0])
        b1.assign_sub(lr * grads[1])

    # 输出每次训练的loss
    # 因为有4组batch，所以除以4
    print("epoch:%d   loss:%f" % (epoch, loss_all/4))

    # 记录每次训练的loss，方便后面绘制loss变化曲线图
    train_loss_results.append(loss_all/4)
    # 归零，方便下次统计
    loss_all = 0

    # 调用测试数据，统计正确率
    # total_correct为正确个数, total_number为测试总数
    # 注意，此时仍为batch级别的循环，每次循环，喂入一个batch
    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)
        # 返回y中最大值的索引，即预测的分类
        pred = tf.argmax(y, axis=1)
        # 将pred转换成y_test的类型
        pred = tf.cast(pred, dtype=y_test.dtype)
        # 将bool类型转换成int类型，若分类正确correct=1，否则为0
        correct = tf.cast(tf.equal(pred, y_test), dtype=tf.int32)
        # 计算每个batch中的correct数
        correct = tf.reduce_sum(correct)
        # 将所有batch中的correct数加起来
        total_correct += int(correct)
        # x_test有多少行，每个batch就有多少样本
        total_number += x_test.shape[0]
    acc = total_correct/total_number
    test_acc.append(acc)
    print("test_acc:%f" % 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()

运行结果：