深度学习分享5：Iris鸢尾花分类问题

代码

我现在数据可视化的能力还挺弱，所以很多图没画，以后再补吧

import tensorflow as tf
import pandas as pd
from sklearn import datasets
import numpy as np
x_train=datasets.load_iris().data#数据
y_train=datasets.load_iris().target#标签
np.random.seed(116)#同步随机种子
np.random.shuffle(x_train)
np.random.seed(116)
np.random.shuffle(y_train)
tf.random.set_seed(116)

调包，导入数据，没什么好说的

model=tf.keras.models.Sequential([
    tf.keras.layers.Dense(3,activation='softmax',kernel_regularizer=tf.keras.regularizers.l2())
])
model.compile(optimizer=tf.keras.optimizers.SGD(lr=0.1),
             loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
             metrics=['sparse_categorical_accuracy'])

选择模型：全连接层模型，3层，也不需要tf.keras.layers.Flatten()了，因为数据本来就是列向量，如果数据是图片的话需要这一步。激活函数选择softmax用于多分类，规范化选择l2型规范化，规范化这个问题后面讲。
优化算法：l1,l2规范化，弃权，改变激活函数，改变学习率，人为拓展训练数据，权重初始化，改变损失函数，如MSE，交叉熵，柔性最大值，可以自己根据实际情况设计，比如过拟合反演可以用微积分推导出交叉熵函数，这些不是凭空得来的，优化算法有很多内容，以后分析。
选择方法：随机梯度下降法，学习率为0.1，损失函数选择稀疏类别交叉熵，因为选择了softmax函数，使得输出是概率分布而不是原始输出，所以from_logits是False，由于鸢尾花数据集的标签是0 1 2，是数值，神经网络前向传播的输出是概率分布，所以选择sparse_categorical_accuracy作为评测指标。

model.fit(x_train,y_train,batch_size=32,epochs=500,validation_split=0.2,validation_freq=20)
model.summary()