全连接神经网络

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

1. 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

2. 全连接神经网络的核心

1. 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

2. 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

3. 利用鸢尾花数据集搭建全连接神经网络

1. 准备数据

1. 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

2. 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:]

3. 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)

2. 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

3. 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

4. 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)

5. 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()