《基于Tensorflow的知识图谱实战》 --- iris数据集（自定义全连接层）

⚽开发平台：jupyter lab

🎈运行环境：python3、tensorflow2.x

1. iris数据集 - 程序部分

1.1 程序2.10(完整代码)

import tensorflow as tf
import numpy as np
##加载数据
from sklearn.datasets import load_iris
data = load_iris()

## 转换数据形式
iris_data = np.float32(data.data)
iris_target = data.target
iris_data.shape,iris_target.shape     #((150, 4), (150,))

## 对目标函数进行热编码化，数目为3
set(iris_target)  # {0, 1, 2}
iris_target = np.float32(tf.keras.utils.to_categorical(iris_target,num_classes = 3))
iris_target

## 训练集的划分
train_data = tf.data.Dataset.from_tensor_slices((iris_data,iris_target)).batch(128)

## 自定义的层--全连接层
class MyLayer(tf.keras.layers.Layer):
    def __init__(self,output_dim):
        self.output_dim = output_dim
        super(MyLayer,self).__init__()
    def build(self,input_shape):
        self.weight = tf.Variable(tf.random.normal([input_shape[-1],self.output_dim]),name="dense_weight")
        self.bias = tf.Variable(tf.random.normal([self.output_dim]),name="bias_weight")
        super(MyLayer,self).build(input_shape)
    def call(self,input_tensor):
        out = tf.matmul(input_tensor,self.weight)+self.bias
        out = tf.nn.relu(out)
        out = tf.keras.layers.Dropout(0.1)(out)
        return out

## 模型构建
input_xs = tf.keras.Input(shape = (4,),name = "input_xs")  ## 输入层
out = tf.keras.layers.Dense(32,activation='relu',name = 'dense_1')(input_xs) ## 隐藏层
out = MyLayer(32)(out)  ## 自定义层
out = MyLayer(48)(out)  ## 自定义层
out = tf.keras.layers.Dense(64,activation = 'relu',name ='dense_2')(out) ## 隐藏层
logits = tf.keras.layers.Dense(3,activation="softmax",name = 'prediction')(out) ## 输出层
model = tf.keras.Model(inputs = input_xs,outputs = logits) ## 构建模型
opt = tf.optimizers.Adam(0.005)  ## 设置优化器学习率

## 模型编译并进行训练
model.compile(optimizer=tf.optimizers.Adam(0.005),loss=tf.losses.categorical_crossentropy,metrics=['acc'])
hist = model.fit(train_data,epochs=300)

## 模型评估
loss,accuracy = model.evaluate(iris_data,iris_target)
print('test loss',loss)
print('accuracy',accuracy)

1.2 数据展示

import matplotlib.pyplot as plt
### 精确度变化
plt.plot(range(300),hist.history.get('acc'))

### 损失度变化
plt.plot(range(300),hist.history.get('loss'))

1.3 模型参数

### 模型参数获取
model.summary()

2.知识点

2.1 自定义的层–全连接层详解

## 自定义的层--全连接层
## 1.init是对参数做定义和声明；
## 2.build函数是对权重可变参数做声明
## 3.call中含有真正实现所定义类的作用
class MyLayer(tf.keras.layers.Layer):      #显示继承自Layer层
    def __init__(self,output_dim):         #init中显示确定参数
        self.output_dim = output_dim       #参数载入进类中
        super(MyLayer,self).__init__()     #向父类注册
        
    def build(self,input_shape):    #自定义的参数一般要加上self
        self.weight = tf.Variable(tf.random.normal([input_shape[-1],self.output_dim]),name="dense_weight")
        self.bias = tf.Variable(tf.random.normal([self.output_dim]),name="bias_weight")
        super(MyLayer,self).build(input_shape)
        
    def call(self,input_tensor):    #包含主要层的实现，这里声明Tensor
        out = tf.matmul(input_tensor,self.weight) + self.bias   # 计算
        out = tf.nn.relu(out)      #计算
        out = tf.keras.layers.Dropout(0.1)(out)   #计算
        return out     #返回结果