使用基于tf2原生代码来搭建一个神经网络训练模型 本文记录一下学习的过程 以及学习到的东西 所述皆为个人理解 有不恰当的欢迎各位大佬指出
环境说明:
编译器:pycharm
电脑环境:win11 操作系统
基本概念:
Y=W*X+B
每一个输入的变量就是x 每条线上有一个权重w 到达每个神经元后会有一个偏置bias的加入 中间层可以有多层 最后输出
张量
首先介绍一下张量 对张量 我的个人理解是一个数据容器 类似于矩阵或数组形式 具体的了解大家可以参考
————张量
全连接神经网络的核心
tf.variable()将变量标为可训练
w = tf.Variable(tf.constant(6, dtype=tf.float32))
这里将w参数甚至为可训练的变量 即表示 可以在后面的训练中 不断更新参数w的值
with结构记录对函数的梯度计算过程
for epoch in range(epoch): # for epoch 定义顶层循环,表示对数据集循环epoch次,此例数据集数据仅有1个w,初始化时候constant赋值为6,循环40次迭代。
with tf.GradientTape() as tape: # with结构到grads框起了梯度的计算过程。
loss = tf.square(w + 1)
grads = tape.gradient(loss, w) # .gradient函数告知谁对谁求导
w.assign_sub(lr * grads) # .assign_sub 对变量做自减 即:w -= lr*grads 即 w = w - lr*grads
利用鸢尾花数据集搭建全连接神经网络
准备数据
数据集的读入
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 #数据
y_data = datasets.load_iris().target #标签
生成训练测试集
将前120个记为训练集 最后30个拿出来作测试集
x_train = x_data[:-30] #不要后面30个
y_train = y_data[:-30]
x_test = x_data[-30:] #从后面30个开始要
y_test = y_data[-30:]
每次训练一小包batch
每32组数据打包一次 将每个的数据与标签相匹配
train_db = tf.data.Dataset.from_tensor_slices((x_train, y_train)).batch(32) #每32个数据打一个包 方便后面的处理
test_db = tf.data.Dataset.from_tensor_slices((x_test, y_test)).batch(32)
搭建网络
w1 = tf.Variable(tf.random.truncated_normal([4, 3], stddev=0.1))
b1 = tf.Variable(tf.random.truncated_normal([3], stddev=0.1))
#随机生成可训练参数w和b w为4行3列的矩阵 以便和输入鸢尾花的四个特征数相乘 得到一行三列的矩阵在加上偏置bias的值
lr = 0.2 # 学习率为0.2即步长表示每次要走多少 不因太大或太小
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
参数优化
对代码中独热码的解释 将y数值控制在0~1之间 即可相减求出loss 再对loss中各参数求其梯度最后参数进行一个自减 使得损失值(y与y_的差值) 当然此处的较为简单 后续还会再记录各激活函数 正则化的方法 以及参数优化器一阶动量 二阶动量来使得拟合效果更好
# 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
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
测试效果
将剩余的30个数据集喂入训练好的神经网络 看看网络是否训练成功 计算正确的数在所有数中的占比 得出训练的网络的正确率 将其存储在一个矩阵中 再打印出来即可观察
# 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) #转化成概率分布
pred = tf.argmax(y, axis=1) # 返回y中最大值的索引,即预测的分类
# 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)
acc/loss可视化
用python自带的plt库 以及先前得出的损失的值和准确的得分 画出图表
# 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()