Tensorflow2.0使用神经网络实现鸢尾花分类的详细步骤

首先我们应该明确实验的步骤：

1.准备数据

数据集读入，打乱，生成训练集和测试集，配对

2.搭建网络

定义神经网络中可训练参数

3.参数优化

嵌套循环迭代，with结构更新参数，显示loss损失

4.acc/loss可视化

首先是准备数据：（已经在代码后面做了标注，有些比较重要的也会在文本图片下做标注）

# 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#表示特征，比如花萼宽度，花蕊长度这样共4个特征
y_data = datasets.load_iris().target#代表鸢尾花的种类，比如狗尾鸢尾这样，共3种花

打乱数据：

# 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)

括号里116的意思是鸢尾花数据集iris有116组数据，是自带的数据

seed的作用是随机种子，shuffle的作用是洗牌，即打乱顺序

最后一行tf.random的意思是设置全局种子，如果不设置的话每次运行结果会不一样

接下来将数据集分成训练集和测试集：

# 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]#从第一行到倒数第30行
y_train = y_data[:-30]
x_test = x_data[-30:]
y_test = y_data[-30:]

x_train就是80行4列的矩阵，y_train就是80行1列的矩阵，y_train记录的是鸢尾花的类型，x_train的4种特征只会对应1种鸢尾花，比如这4个特征只会是弗吉尼亚鸢尾的，不会是狗尾鸢尾。

转换数据类型，配对数据：

# 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)

 在这里将每32行的数据打包为一个batch，这里的打包方法是x_train和y_train打包在一起的，在喂给神经网络时，以batch为单位喂入，当然也可以将batch设置为别的数字

 定义神经网络的参数：

# 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))

w1是一个4*3的矩阵，b1是一个1*3的矩阵，w1的列数要与b1的数一样才行，比如这里都是3，后面的stddev表示标准差，seed生成随机种子

嵌套循环迭代：

# 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
            #这里的loss计算的是每一个batch的loss
            loss = tf.reduce_mean(tf.square(y_ - y))  # 采用均方误差损失函数mse = mean(sum(y-out)^2)
            #将每个batch的loss累加起来
            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
    #loss_all是四个batch的总和，模型每训练一轮的loss值应该是4个batch的平均值
    #将loss_all/4存入链表，这个链表将存储每一轮的loss值，在后续将以训练轮数为横坐标，loss值为纵坐标画出loss曲线图
    #loss曲线图可以直观地展现模型训练的变化
    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

在训练集完成后就可以进行验证的测试集了:

# 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_01, y_test_01 in test_db:
        # 使用更新后的参数进行预测
        y = tf.matmul(x_test_01, 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_01.dtype)
        # 若分类正确，则correct=1，否则为0，将bool型的结果转换为int型
        #为什么pred和y_test_01能比较，是因为鸢尾花数据集中也是用0，1，2来表示是什么鸢尾种类的
        correct = tf.cast(tf.equal(pred, y_test_01), 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_01.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("--------------------------")

在这里需要注意的是此时的x_test_01,y_test_01并不是一开始的x_test和y_test，就是因为怕混淆所以这里做了区分。由于test_db一共30行，而32行才为一个batch，所以他们的结果才巧合地一样。

使用plot函数绘制loss和acc曲线：

# 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()