TensorFlow2.0学习笔记（4）

神经网络实现鸢尾花分类

数据集介绍：共有数组150组，每组包含花萼长、花萼宽、花瓣长、花瓣宽4个输入特征，

输出三个类别：狗尾草鸢尾，杂色鸢尾，弗吉尼亚鸢尾，分别用0,1,2表示 

第一步：准备数据

1.数据集读入

从sklearn包datasets读入数据集：

from sklearn.datasets import datasets

x_data = datasets.load_iris().data #读入输入特征

y_data = datasets.load_iris().target #读入标签

2.数据集乱序（实现代码如下）

np.random.seed(116)#使用相同的随机种子，可以让打乱顺序后输入特征和标签仍然一一对应

np.random.shuffle(x_data)

np.random.seed(116)

np.random.shuffle(x_data)

np.random.seed(116)

3.生成训练集和测试集（即x_train/y_train,x_test/y_test）,注意训练集和测试集应该是永不相见的

x_train = x_data[:30]#一共150个数据，前120个拿出来做训练集，后30个做测试集

y_train = y_train[:30]#训练集和数据集永不相见，能够公正评判神经网络的效果

x_test = x_data[-30:]

x_test = y_data[-30:] 

4.配成特征-标签对，每次读取一小撮（batch）

train_db = tf.data.Dataset.from_tensor_slices((x_train,y_train)).batch(32)

#把训练集的输入特征和标签配对打包，每32组输入特征标签对，打包为一个batch，会以batch喂入神经网络 

train_db = tf.data.Dataset.from_tensor_slices((x_test,y_test)).batch(32)

第二步：搭建网络

定义神经网络中的所有可训练参数

w1 = tf.Variable(tf.random.truncated_normal([4,3],stddev=0.1,seed=1))

#输入特征是4个，输出分类数是3个

 b1 = tf.Variable(tf.random.truncated_normal([3],stddev=0.1,seed=1))

#b1是偏差量，必须与输出的维度保持一致

第三步：参数优化

利用嵌套循环，在with结构中求得损失函数loss对每个可训练参数的偏导，更新这些可训练参数

for epoch in range(epoch)#第一层for循环针对整个数据集进行循环

        for step,(x_train,y_train) in enumerate(train_db):#第二层for循环针对batch

                with tf.GradientTape() as tape:#记录梯度信息

                        前向传播过程计算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])

        prant("Epoch{},loss:{}".format(epoch,loss_all/4))#打印这一轮epoch后的loss损失函数值，因为训练集有120个数据，每个step喂入的一个batch是32个，所以需要batch级别循环4次，loss_all/4求得每次step迭代的平均loss

第四步：测试效果 

为了直观查看效果，可每遍历一次数据集，显示当前准确率

for x_test，y_test in test_db：

        y =  tf.matmul(h,w)+b#前向传播计算y

        y = tf.nn.softmax(y)#使y的值符合概率分布

        pred = tf.argmax(y,axis=1)#返回y中最大值的索引，也就是y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)#如果预测值和标签相等

        correct = tf.reduce_sum(correct)#correct自加一

        total_correct+=int(correct)

        total_number+=x_text.shape[0]

acc = total_correct/total_number

print("test_acc:",acc)#打印准确率

第五步：acc/loss可视化

为了直观查看效果，可以画出准确率acc和损失函数loss的变化曲线图

plt.title('Acc Curve')#图片标题

plt.xlable('Epoch')#x轴名称

plt.ylable('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()

#用同样的方法也可以画出loss曲线