【神经网络】3. 编写一个简单的神经网络

本文的目的：是从编程上去理解一个神经网络的组成框架，并且以鸢尾花分类项目为例，用python在tensorflow 2下进行神经网络搭建并测试

一个基本的神经网络项目可以从以下几个方面进行编写：

首先导入所需的模块

# 导入所需模块
import tensorflow as tf
from sklearn import datasets
from matplotlib import pyplot as plt
import numpy as np

1. 准备数据

1.1 数据集读入

导入数据，分别为输入特征和标签

# 导入数据，分别为输入特征和标签
x_data = datasets.load_iris().data
y_data = datasets.load_iris().target

打印x_data，可以看到特征是一个150x4的矩阵数据，特征有4种，一共有150条数据。

打印y_data，可以看到标签对应150条数据，其中有0，1，2 三种标签。

1.2 数据集乱序

随机打乱数据（因为原始数据是顺序的，顺序不打乱会影响准确率）

对特征数据和标签数据采用相同的随机数种子，可以保证随机之后特征和标签一一对应

# 随机打乱数据（因为原始数据是顺序的，顺序不打乱会影响准确率）
# seed: 随机数种子，是一个整数，当设置之后，每次生成的随机数都一样（为方便教学，以保每位同学结果一致）
np.random.seed(116)  # 使用相同的seed，保证输入特征和标签一一对应
np.random.shuffle(x_data)
np.random.seed(116)
np.random.shuffle(y_data)
tf.random.set_seed(116)

打印y_data 来看随机之后的乱序情况

1.3 生成测试集和训练集

将打乱后的数据集分割为永不相见的训练集和测试集（引用一下曹健老师的话，描述的很形象），训练集为前120行，测试集为后30行（训练集和测试集一般取4：1）

# 将打乱后的数据集分割为训练集和测试集，训练集为前120行，测试集为后30行
x_train = x_data[:-30]
y_train = y_data[:-30]
x_test = x_data[-30:]
y_test = y_data[-30:]

1.4 配成（特征、标签）对

采用from_tensor_slices把数据的输入特征和标签配对打包，每32组数据打包为一个batch（batch的数量一般为2的n次方），后面将以batch为单位，将数据喂入神经网络

# 转换x的数据类型，否则后面矩阵相乘时会因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)

# from_tensor_slices函数使输入特征和标签值一一对应。（把数据集分批次，每个批次batch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)

---

2. 搭建网络

2.1 定位网络中所有可训练参数（主要是W和b）

这里搭建的神经网络只用一层，输入特征是4个，标签是3个，因此网络如下所示：

按照网络，定义w和b

# 生成神经网络的参数，4个输入特征故，输入层为4个输入节点；因为3分类，故输出层为3个神经元
# 用tf.Variable()标记参数可训练
# 使用seed使每次生成的随机数相同（方便教学，使大家结果都一致，在现实使用时不写seed）
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))

2.2 定义超参数以及记录的列表

lr = 0.1  # 学习率为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 = 500  # 循环500轮
loss_all = 0  # 每轮分4个step，loss_all记录四个step生成的4个loss的和

---

3. 参数优化以及测试效果

训练部分：（这部分参照后面代码理解）

两层for循环来更新参数w1和b1

• 第一层for循环针对数据集，循环次数用epoch（在超参数定位里epoch=500）
• 第二层for循环针对batch的，用step表示（由于数据又120个，每个batch为32，因此需要循环4次）

在with结构种

• 前向传播过程计算y
• 计算总损失函数loss，这里采用均方误差计算loss
• 
• 损失函数loss分别对参数w1和b1计算偏导数
• 更新参数w1和b1，这里采用最基本的梯度下降法更新参数
• 

打印出这一轮epoch的损失函数值：由于每次batch循环4次，因此总loss/4就是每次平均loss

最后将每次epoch里的平均loss记录在train_loss_results，用来最后最后画图

测试部分：（这部分参照后面代码理解）

在epoch循环中继续嵌套一个batch级别的for循环

• 采用上述跟新的w1和b1，输入测试集x_test计算出y
• 对y进行softmax正规化处理，转成概率数据
• 在概率数据中找到最大值索引，即是该条数据的分类
• 识别每个计算出的分类是不是符合测试集特征实际的y_data
• 计算每次epoch下的测试准确率acc（所有识别正确的数量/总数量）并记录在test_acc中，用来最后画图

# 训练部分
for epoch in range(epoch):  # 数据集级别的循环，每个epoch循环一次数据集
    for step, (x_train, y_train) in enumerate(train_db):  # batch级别的循环 ，每个step循环一个batch
        with tf.GradientTape() as tape:  # with结构记录梯度信息
            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accuracy
            loss = tf.reduce_mean(tf.square(y_ - y))  # 采用均方误差损失函数mse = mean(sum(y-out)^2)
            loss_all += loss.numpy()  # 将每个step计算出的loss累加，为后续求loss平均值提供数据，这样计算的loss更准确
        # 计算loss对各个参数的梯度
        grads = tape.gradient(loss, [w1, b1])

        # 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b自更新

    # 每个epoch，打印loss信息
    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
    # total_correct为预测对的样本个数, total_number为测试的总样本数，将这两个变量都初始化为0
    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)
        pred = tf.argmax(y, axis=1)  # 返回y中最大值的索引，即预测的分类
        # 将pred转换为y_test的数据类型
        pred = tf.cast(pred, dtype=y_test.dtype)
        # 若分类正确，则correct=1，否则为0，将bool型的结果转换为int型
        correct = tf.cast(tf.equal(pred, y_test), dtype=tf.int32)
        # 将每个batch的correct数加起来
        correct = tf.reduce_sum(correct)
        # 将所有batch中的correct数加起来
        total_correct += int(correct)
        # total_number为测试的总样本数，也就是x_test的行数，shape[0]返回变量的行数
        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("--------------------------")

---

将上述所有的代码在pycharm下运行，并打印每次epoch下的loss和acc：

可以看到刚开始loss较大，acc很低，最后loss很小，acc为1。

4. 绘制loss和acc的图像

# 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()

从曲线上可以看出神经网络每个epoch的学习过程，越到后面准确率越高，损失函数值越低。

学习来源：人工智能实践：Tensorflow笔记