鸢尾花01_单层训练demo +详细注释

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