案例 | Tensorflow实现鸢尾花分类

参考：b站的课程，北京大学的Tensorflow 2 课程

---

鸢尾花数据集：

150组数据，特征数量为4，分别为：花萼长、花萼宽、花瓣长、花瓣宽

标签为3:，分别为0,1,2，代表：狗尾鸢尾、杂色鸢尾、弗吉尼亚鸢尾

该数据集存在sklearn中，可以直接导入使用

---

程序步骤：

1 准备数据。包括：数据读入、数据乱序、将数据配成特征和标签对，生成train和test永不相见的测试集和训练集

2 搭建网络：定义神经网络中所有可训练参数。（用tf.Variable函数，可参考tensorflow笔记1）

3 优化参数：利用嵌套循环，在with结构中求得损失函数loss；对每个参数求偏导，更改这些可训练参数，同时求算每一次迭代的loss值和acc值，存于两个列表中，并绘制loss和acc曲线。

代码为：

import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
from sklearn import datasets

#读取数据
x_data=datasets.load_iris().data
y_data=datasets.load_iris().target

#数据打乱
np.random.seed(116)
np.random.shuffle(x_data)
np.random.seed(116)
np.random.shuffle(y_data)
tf.random.set_seed(116)

#分出训练集和测试集
x_train=x_data[:-30]
y_train=y_data[:-30]
x_test=x_data[-30:]
y_test=y_data[-30:]

#转换数据类型
x_train=tf.cast(x_train,tf.float32)
x_test=tf.cast(x_test,tf.float32)

#特征数据与标签配对
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)

#定义可变参数
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))

#参数设计
lr=0.1#定义学习率
epoch=500
loss_all=0
train_loss_results=[]
test_acc=[]

#循环迭代，更新参数，显示loss
for epoch in range(epoch):
    #训练
    for step,(x_train,y_train) in enumerate(train_db):

        with tf.GradientTape() as tape:
            # 前向传播
            y = tf.matmul(x_train, w1) + b1
            y = tf.nn.softmax(y)
            y_ = tf.one_hot(y_train, depth=3)  # 进行one_hot编码
            # 反向传播
            loss=tf.reduce_mean(tf.square(y_-y))
            loss_all+=loss.numpy()
        grads=tape.gradient(loss,[w1,b1])
        w1.assign_sub(lr*grads[0])
        b1.assign_sub(lr*grads[1])
    print("第{}轮，loss为{}".format(epoch,loss_all/4))
    train_loss_results.append(loss_all/4)
    loss_all=0

    #测试
    total_correct,total_number=0,0
    for x_test,y_test in test_db:
        #前向传播
        y=tf.matmul(x_test,w1)+b1
        y=tf.nn.softmax(y)
        pred=tf.argmax(y,axis=1)
        pred=tf.cast(pred,dtype=y_test.dtype)
        correct=tf.cast(tf.equal(pred,y_test),tf.int32)
        correct=tf.reduce_sum(correct)
        total_correct+=int(correct)
        total_number+=x_test.shape[0]
    acc=total_correct/total_number
    print("准确率为：{}".format(acc))
    print("---------------")
    test_acc.append(acc)

#绘制曲线
#loss曲线
plt.figure(figsize=(5,4))
plt.plot(train_loss_results)
plt.xlabel("epoch")
plt.ylabel("Loss")
plt.title("Loss")

#准确率曲线
plt.figure(figsize=(5,4))
plt.plot(test_acc)
plt.xlabel("epoch")
plt.ylabel("acc")
plt.title("acc")
plt.show()

整体效果如下：

迭代过程中的数据显示：

 Loss曲线：

acc曲线

再将学习率调大，看看会有什么效果？

 

说明，参数配置的不合理会使模型变得极其不准确