其中 with as结构 https://blog.csdn.net/jirong5206/article/details/105675881
独热码
import tensorflow as tf
classes = 4
labels = tf.constant([1, 0, 2,3]) # 输入的元素值最小为0,最大为2
output = tf.one_hot(labels, depth=classes,axis = 0) # axis = 0 按列排
print("result of labels1:", output)
print("\n")
output = tf.one_hot(labels, depth=classes,axis = 1) # axis = 1 按行排 默认
print("result of labels1:", output)
print("\n")
深度为4 即有 0 1 2 3类
第一个 axis = 0 按列排 0 1 0 0 在1位置为1 第二列 1 0 0 0 在0位置为1 第二列 00 1 0 在2位置为1 第二列 0 0 0 1 在3位置为1
所以代表 1 0 2 3 与原label对应
第一个 axis = 1 (不写时默认) 也可按行排 。。。。。。。。。。。。。。。。。。。。。 到最后也与 1 0 2 3 对应
下面是对改程序中有些张量维度的注释 和 其他加注
# -*- coding: UTF-8 -*-
# 利用鸢尾花数据集,实现前向传播、反向传播,可视化loss曲线
# 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 #特征
y_data = datasets.load_iris().target #标签
# 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) #生成随机列表 打乱维度顺序 例[[1,2,3][4,5,6]]-->[[4,5,6][1,2,3]]
np.random.seed(116)
np.random.shuffle(y_data)
tf.random.set_seed(116) #这句话好像可以去掉
# 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] #从开始切到倒数30行 逗号前面是对行操作 相当于 a[:-30,:]
y_train = y_data[:-30]
x_test = x_data[-30:] #从倒数30行切到底
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) # numpy -> 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) #batch 默认drop_remainder=False , 32 32 32 24 最后一个长度不一样也会加入
# print(train_db) # 如果设为drop_remainder=True 32 32 32 后面24个 不划入(ps 改成30最好)
test_db = tf.data.Dataset.from_tensor_slices((x_test, y_test)).batch(32)
# 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)) # 4*3 张量 均值默认为0 方差为0.1
b1 = tf.Variable(tf.random.truncated_normal([3], stddev=0.1, seed=1)) # 1*3 张量
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
# 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 循环500次
for step, (x_train, y_train) in enumerate(train_db): #batch级别的循环 ,每个step循环一个batch 循环四次 第一个batch 32 第二个32 三32 四24
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 32*4 x 4*3 每行+ 1*3 输出32 * 3(最后一个batch是24*3)
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)输出 32*3
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 默认按行排 32*3
loss = tf.reduce_mean(tf.square(y_ - y)) # 采用均方误差损失函数mse = mean(sum(y-out)^2) 这是一个0维张量
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 .numpy()返回numpy()类型数据
# 计算loss对各个参数的梯度
grads = tape.gradient(loss, [w1, b1]) #求偏导 w1 b1必须为可训练类型
# 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 自减
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: # 只有一个batch for step, (x_test, y_test) in enumerate(test_db): 但没必要
# 使用更新后的参数进行预测
y = tf.matmul(x_test, w1) + b1 # 30*4 x 4*3 每行+ 1*3 = 30*3
y = tf.nn.softmax(y) # 概率分布
pred = tf.argmax(y, axis=1) # 返回y中最大值的索引,即预测的分类 axis=1为找行中最大 索引 0 1 2 30*1
# 将pred转换为y_test的数据类型
pred = tf.cast(pred, dtype=y_test.dtype) # 转换为和y_test一样类型的张量
# 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) # 一维张量30个元素 1代表测试正确 0代表测试错误
# 将每个batch的correct数加起来
correct = tf.reduce_sum(correct) # 0维张量 代表30个测试集中正确的个数
# 将所有batch中的correct数加起来
total_correct += int(correct) # 在本例中只有一个batch 所以total_correct = correct 下面一句也一样
# 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.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()