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