NNDL 实验五 前馈神经网络（3）鸢尾花分类

已于 2022-10-10 14:39:50 修改
阅读量981 收藏 7
点赞数
分类专栏： DeepLearning 文章标签： 神经网络 分类 深度学习
于 2022-09-08 21:36:06 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_38975453/article/details/126772563
版权

目录

深入研究鸢尾花数据集

4.5 实践：基于前馈神经网络完成鸢尾花分类

4.5.1 小批量梯度下降法

4.5.2 数据处理

4.5.3 模型构建

4.5.4 完善Runner类

4.5.5 模型训练

4.5.6 模型评价

4.5.7 模型预测

思考题

总结

深入研究鸢尾花数据集

画出数据集中150个数据的前两个特征的散点分布图：

【统计学习方法】感知机对鸢尾花(iris)数据集进行二分类

4.5 实践：基于前馈神经网络完成鸢尾花分类

继续使用第三章中的鸢尾花分类任务，将Softmax分类器替换为前馈神经网络。

  • 损失函数：交叉熵损失；
  • 优化器：随机梯度下降法；
  • 评价指标：准确率。

4.5.1 小批量梯度下降法

为了减少每次迭代的计算复杂度，我们可以在每次迭代时只采集一小部分样本，计算在这组样本上损失函数的梯度并更新参数，这种优化方式称为小批量梯度下降法（Mini-Batch Gradient Descent，Mini-Batch GD）。

为了小批量梯度下降法，我们需要对数据进行随机分组。

目前，机器学习中通常做法是构建一个数据迭代器，每个迭代过程中从全部数据集中获取一批指定数量的数据。

4.5.2 数据处理

4.5.3 模型构建

输入层神经元个数为4，输出层神经元个数为3，隐含层神经元个数为6。

 

4.5.4 完善Runner类

4.5.5 模型训练

4.5.6 模型评价

4.5.7 模型预测

思考题

1. 对比Softmax分类和前馈神经网络分类。（必做）

  分类效果图可参考：

 

2. 自定义隐藏层层数和每个隐藏层中的神经元个数，尝试找到最优超参数完成多分类。（选做）

3. 对比SVM与FNN分类效果，谈谈自己看法。（选做）

4. 尝试基于MNIST手写数字识别数据集，设计合适的前馈神经网络进行实验，并取得95%以上的准确率。（选做）

总结

1. 总结本次实验；

2. 全面总结前馈神经网络，梳理知识点，建议画思维导图。

例如：

ref：

NNDL 实验4（下） - HBU_DAVID - 博客园 (cnblogs.com)

2.5. 自动微分 — 动手学深度学习 2.0.0-beta1 documentation (d2l.ai)

4.7. 前向传播、反向传播和计算图 — 动手学深度学习 2.0.0-beta1 documentation (d2l.ai)

HBU_David
关注
专栏目录
神经网络与深度学习（五）前馈神经网络（3）鸢尾花分类
weixin_53651790的博客
10-13 2829
pytorch前馈神经网络实现鸢尾花数据集分类任务
深度学习——前馈全连接神经网络（鸢尾花）
2301_76794217的博客
05-09 1338
导入所需要的包，打印训练集和测试集二维数组，定义模型，打印模型信息，权重和偏执，编译网络和训练网络，打印二维数据表格，绘制图像，查看准确率
基于前馈神经网络完成鸢尾花分类
最新发布
m0_65151888的博客
09-10 310
训练过程中还打印出了每个epoch的训练损失、验证损失、训练准确率和验证准确率，并通过Matplotlib可视化了训练和验证损失以及验证准确率的变化。使用sklearn库中的load_iris函数加载鸢尾花数据集（Iris dataset），load_iris().data获取样本数据，load_iris().target获取标签数据，无需下载。3）理解交叉熵损失函数和随机梯度下降法（SGD）优化器的作用，以及它们在模型训练中的应用。1）学会如何加载和预处理鸢尾花数据集，包括数据归一化和数据集划分。
神经网络与深度学习day07-实践：前馈神经网络实现鸢尾花数据集分类
ABU366的博客
10-14 1791
神经网络与深度学习day07-实践：前馈神经网络实现鸢尾花数据集分类
实验五 前馈神经网络（3）鸢尾花分类
m0_64715292的博客
10-14 1769
鸢尾花数据集的前馈神经网络分类
神经网络实现鸢尾花分类
09-27
神经网络实现鸢尾花分类
FNN:简单前馈神经网络
03-07
神经网络 用于最后一个softmax层的简单前馈神经网络，用于分类{добавитьописание}
ubuntu16.04_前馈神经网络_鸢尾花分类
domi_fyh的博客
11-08 421
在ubuntu16.04的环境下，运行前馈神经网络--鸢尾花分类程序 安装基础工具： sudo apt-get install python-pip python-dev python-virtualenv 更新： sudo apt-get update 构建python3.5虚拟分区： virtualenv -p /usr/bin/python3 tensorflow_cpu_...
猿创征文｜深度学习基于前馈神经网络完成鸢尾花分类
热门推荐
君莫笑的博客
09-07 2万+
在梯度下降法中，目标函数是整个训练集上的风险函数，这种方式称为批量梯度下降法（Batch Gradient Descent，BGD）。 批量梯度下降法在每次迭代时需要计算每个样本上损失函数的梯度并求和。当训练集中的样本数量NN很大时，空间复杂度比较高，每次迭代的计算开销也很大。 为了减少每次迭代的计算复杂度，我们可以在每次迭代时只采集一小部分样本，计算在这组样本上损失函数的梯度并更新参数，这种优化方式称为 小批量梯度下降法（Mini-Batch Gradient Descent，Mini-Batch GD
1- 深度学习之神经网络核心原理与算法-前馈神经网络
weixin_33794672的博客
04-03 2548
前馈神经网络 Feedforward Neural Network 网络结构(一般分两种) Back Propagation Networks - 反向传播网络 RBF networks - 径向基函数神经网络 BP网络是所有的神经网络中结构最为简单的一种网络。 一般我们习惯把网络画成左边输入右边输出层的...
【人工智能基础】FNN前馈神经网络
炼丹笔记
10-21 1万+
🍊本文详细介绍了FNN的原理，并给出了具体的推导过程🍊使用Pytorch搭建了FNN模型，并对糖尿病数据集开展分类任务实战。
神经网络NNDL二分类代码
11-28
以下是一个简单的二分类神经网络的代码示例，其中包括两个线性层和一个Logistic算子（Sigmoid激活函数）： ```python import torch class TwoLayerNet(torch.nn.Module): def __init__(self, input_size, hidden_size, output_size): super(TwoLayerNet, self).__init__() self.linear1 = torch.nn.Linear(input_size, hidden_size) self.linear2 = torch.nn.Linear(hidden_size, output_size) self.sigmoid = torch.nn.Sigmoid() def forward(self, x): h = self.linear1(x) h_sigmoid = self.sigmoid(h) y_pred = self.linear2(h_sigmoid) return y_pred # 创建一个输入大小为5，隐藏大小为10，输出大小为1的二分类神经网络 model = TwoLayerNet(5, 10, 1) # 定义损失函数和优化器 criterion = torch.nn.BCEWithLogitsLoss() optimizer = torch.optim.SGD(model.parameters(), lr=0.1) # 训练模型 for epoch in range(100): # 前向传播 y_pred = model(x_data) # 计算损失 loss = criterion(y_pred, y_data) # 反向传播 optimizer.zero_grad() loss.backward() optimizer.step() # 打印损失 print('Epoch: {}, Loss: {:.4f}'.format(epoch+1, loss.item())) ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值