神经网络实现鸢尾花分类流程:
1.准备数据
数据集读入→数据集乱序→生成训练集和测试集→配对(输入特征,标签)→每次只读入一部分数据(batch)
2.搭建网络
定义神经网络中所有可训练的参数
3.参数优化
嵌套循环迭代,with结构更新参数,显示当前的loss
4.测试效果
计算当前参数前向传播后的准确率,显示当前的acc
5.acc/loss的可视化
代码流程:
1.数据集读入
from sklearn.datasets import datasets
x_data = datasets.load_iris().data #特征
y_data = datasets.load_iris().target #标签
2.数据集乱序
人类在认识世界时,所获得的信息是杂乱无章的,没有顺序的,因此在构建神经网络时,需要将数据集进行乱序处理。
使用了同样的随机数种子,所以最终打乱顺序后特征和标签仍然是一一对应的。
np.random.seed(116) #使用相同的seed,使输入特征/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)
3.数据集分出永不相见的训练集和测试集
训练集和测试集必须没有交集
x_train = x_data[:-30] #150-30=120,分出前120个数据作为训练集
y_train=y_data[:-30]
x_test = x_data[-30:] #120-150,后30个数据作为测试集
y_test = y_data[-30:]
4.配成[输入特征,标签]对,每次喂入一小嘬(batch)
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)
5.定义神经网络的所有可训练参数
w1 是4行3列的张量,只构建一层神经网络
b1 是输出,其维度必须和w1的列数相同,因此是3
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))
6.嵌套循环迭代,with结构更新参数,显示当前loss
for epoch in range(epoch): #数据集级别迭代
for step, (x_train,y_train) in enumerate(train_db): #batch级别的迭代
with tf.GradientTape() as tape: #记录梯度信息
前向传播计算y
计算总loss
grads = tape.gradient(loss,[w1,b1])
w1.assign_sub(lr*grads[0])#参数自更新
b1.assign_sub(lr*grads[1])
print("Epoch {}, loss{}".format(epoch,loss_all/4))
7.计算当前参数前向传播后的准确率,显示当前acc
for x_test,y_test in test_db:
y = tf.matmul(h,w)+b #y为预测结果
y = tf.nn.softmax(y) #y符合概率分布
pred = tf.argmax(y,axis = 1) #返回y中最大值索引,即预测的分类
pred = tf.cast(pred, dtype=y_test.dtype) #调整数据类型与标签一致
correct = tf.cast(tf.equal(pred,y_test), dtype=tf.int32)
correct =tf.reduce_sum(correct)#将每个batch的correct数加起来
total_correct += int(correct)#将所有batch中的correct数加起来
total_number +=x_test.shape[0]
acc=total_correct/total_number
print("test_acc:", acc)
8.acc/loss 可视化
plt.title('Acc Curve') #图片标题
plt.xlabel('Epoch') #x轴名称
plt.ylabel('Acc') #y轴名称
plt.plot(test_acc,label="$Accuracy$") #逐点画出test_acc值并连线
plt.legend()
plt.show()
范例:
import tensorflow as tf
from sklearn import datasets
from matplotlib import pyplot as plt
import numpy as np
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)
# 打乱的原因:刚开始人们对事物的认知是没有规律的
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) # 多维数组只换行
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] # 训练集 除过后30行剩余的所有元素
y_train = y_data[:-30]
x_test = x_data[-30:] # 测试集 从倒数第30个元素往后的所有元素
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)
# 每32组数据打包为一个batch,喂入数据时一个batch一个batch喂
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)
# 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)
# 定义神经网络参数,标记为可训练
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))
# 定义超参数和画图用的两个空列表
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
# 嵌套循环loss对w和b求偏导
# step分为4次,32 32 32 24 相加为120,每次epoch都分为4个step,并且送入的数据相同
for epoch in range(epoch):
for step, (x_train, y_train) in enumerate(train_db): # 120个测试数据,32个为一组,所有每epoch分4个step
# print("iteration",step)
# print("(x_train,y_train)",(x_train,y_train))
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
# print("y",y)
# print("y_", y_)
# print("tf.square(y_-y)",tf.square(y_-y))
# print("tf.reduce_mean(tf.square(y_-y))",tf.reduce_mean(tf.square(y_-y)))
loss = tf.reduce_mean(tf.square(y_ - y)) # 是具体的数值
loss_all += loss.numpy()
grads = tape.gradient(loss, [w1, b1]) # 先对loss原函数求导,再带入loss现在的值
w1.assign_sub(lr * grads[0])
b1.assign_sub(lr * grads[1])
print("Epoch {},loss:{}".format(epoch, loss_all / 4))
train_loss_results.append(loss_all / 4)
loss_all = 0
# 测试部分 每次epoch执行一次
# 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
# 测试时会遍历测试集中的所有数据
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 # 计算前向传播的预测结果
y = tf.nn.softmax(y) # 变为概率分布
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)
# print("y", y)
# print("pred ", pred)
# print("y_test ",y_test)
# 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) # 预测和标签一致的记录下来,自加1
# print("correct",correct)
# 将每个batch的correct数加起来
correct = tf.reduce_sum(correct)
# print("correc2", correct)
# 将所有batch中的correct数加起来
total_correct += int(correct)
# print(total_correct) #与correct结果同
# 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 # 计算正确率
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,并画出连线图标Loss,和下句合用显示)
# 连线图标就是右上角的注
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()