鸢尾花01_单层训练demo +详细注释
# -*- coding: utf-8 -*-
# time: 2024/3/7 15:50
# file: 鸢尾花01.py
# author: laich
"""
pip install scikit-learn
经典案例鸢尾花分类, 在Keras中使用
"""
import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
from sklearn import datasets
# 导入所需模块
import tensorflow as tf
from sklearn import datasets
from matplotlib import pyplot as plt
import numpy as np
# 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
# 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)
# 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:]
# 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)
# 这里batch为喂入神经网络的数据集大小,我们设置为32,这样就是分四次喂入神经网络。完成了基本准备工作后,我们就开始利用tensorflow搭建神经网络。
''' 设置模型参数初始值
搭建神经网络,4个特征值,输入层为4个神经元;3分类,所以输出层为3个神经元
也可以这样理解 :4个输入特征故,输入层为4个输入节点 节点也可以认为是神经元;因为3分类,故输出层为3个神经元
seed保证生成的随机数相同,实际项目不需要 可以删除seed=1
Variable标记训练参数
'''
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)) # 偏置项
"""
设置超参数:
"""
lr = 0.1 # 学习率为0.1
# 一个epoch就是把所有训练数据丢进网络训练一次
epoch = 500 # 这里的epoch是在对所有的训练数据,整体循环50次
# batch_size是将多少个数据,扔进网络训练
batch_size = 10 # 是指扔进循环网络训练的数据是10个
display_step = 10
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
loss_all = 0 # 每轮分4个step,loss_all记录四个step生成的4个loss的和
for epoch in range(epoch):
for step, (x_train, y_train) in enumerate(train_db): # batch级别循环,每个step循环一个batch
with tf.GradientTape() as tape: # 梯度下降求参数值
# 前向传播
y = tf.matmul(x_train, w1) + b1 # 函数表达式 y = xw + b
y = tf.nn.softmax(y) # 回归计算 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
# 反向传播
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
"""
损失函数,需要一个包循环完毕之后,进行一次梯度下降的,同时更新一下w和b
32个数据一个包,一共120个数据,需要循环4次,才能完成一次大循环。
每进行1次32个数据的小循环,根据loss更新一下w和b,同时记录一下loss
"""
# 根据损失函数计算梯度,进行梯度下降
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])
b1.assign_sub(lr * grads[1]) # 参数b自更新
# 这里loss_all是把每个小循环的loss求和了,这里需要除以4,4个小循环一个大循环,来平均出,完成1次大循环
# 所下降的loss值
print("Epoch {}, loss: {}".format(epoch, loss_all / 4))
train_loss_results.append(loss_all / 4)
loss_all = 0
total_correct = 0
total_number = 0
for x_test, y_test in test_db:
# 使用更新后的参数进行训练
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
pred = tf.cast(pred, dtype=y_test.dtype) # 调整数据类型和标签一致
# 如果预测值等于真实值,就输出为1,否则为0
correct = tf.cast(tf.equal(pred, y_test), dtype=tf.int32)
# 将每个batch的correct求和
correct = tf.reduce_sum(correct)
# 将batch中所有correct加起来求和
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("--------------------------")
# 绘制 loss 曲线
plt.title('Loss Function Curve') # 图片标题
#plt.figure(figsize=(5, 4))
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.figure(figsize=(5, 4))
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()
鸢尾花01_单层训练demo +详细注释