tensorflow学习笔记（2）------北京大学 曹健

神经网络实现鸢尾花的分类

准备数据

数据集的读入

from sklearn import datasets
x_data = datasets.load_iris().data  # 返回输入特征
y_data = datasets.load_iris().target  # 返回标签

视频中有的代码是有问题的，但是他给的文档的代码没问题。

数据集乱序

# 打乱数据特征和标签
np.random.seed(116)
np.random.shuffle(x_data)
np.random.seed(116)
np.random.shuffle(y_data)
np.random.seed(116)

116 是随机因子，为了让标签和特征随机的规律一致，当然设置其他数字也行，但保证代码所有的数字也跟着变。

生成训练集和测试集

# 分出训练集和测试机
x_train = x_data[:-30]
y_train = y_data[:-30]
x_test = x_data[-30:]
y_test = y_data[-30:]

分出前30做测试集，后面的当训练集。

配成（输入特征和标签的配对）

配对

# 配对
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)

将训练集特征和标签打包，每32个数据当做一步输入神经网络。（batch后的数字最好是2的倍数）

搭建网络

# 搭建网络结构
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))

由于输入特征是四个，分类是三个，所以构建4行3列的张量。stddev作为正态分布（truncated）的标准差，seed表示的是random的随机因子（实际上这个加不加无所谓）。

参数优化

# 迭代循环，更新参数
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