深度学习神经网络入门案例详细解析-鸢尾花案例

神经网络设计过程

案例： 鸢尾花分类
鸢尾花三种类别：
三种: 狗尾巴 杂草 小腹肌
通过搭建一个神经网络来对鸢尾花进行分类

收集花朵 的特征值： 四种
花萼长
花萼宽
花瓣长
花瓣宽

以及：
三种输出结果
狗尾巴 杂草 小腹肌

操作方法：
1.收集数据集，花的特征，以及这些花是什么品种，即 标签。
2.将数据集 训练模型。通过反向传播训练。
3.将不知道品种的花的特征输入模型，自动出来花的种类。

神经网络模型：

输入神经元 4个，输出神经元3个
4个是花的四个特征
3个是三种花
连接关系是12个，全连接，也成为全连接网络。
权重w和偏置b也会被随机分配初始化为0-1的数。

神经网络是由多个神经元组成的。
单个神经元结构图：
如下图，注意非线性函数也叫激活函数。

前面的输入到求和部分，细分为下图

前向传播：
代入训练集 的 x ，到模型里面，输出y的过程，称之为 前向传播。

最初的参数w和b是随机产生的，所以，刚开始模型输出的结果很可能不对，是随便的。
但是要将模型输出的结果和真实值进行做差，平方求和，从而得到损失函数。

损失函数：
当损失函数最小，出现的w和b即为最优解。

损失函数有多个方式： 均方误差是最常见的。

因此，目的变成了 寻找一组w和b，让损失函数最小。
最常见的方法，即为 梯度下降法。

梯度下降法：

梯度下降法 还涉及 一个新的概念 叫做 学习率：
公式如下

如果梯度下降比作，是从半山腰往下走的话。
学习率：就是下山的步幅长度。

下面是一个经典的梯度下降示意图

获取数据代码

from sklearn import datasets
from pandas import DataFrame
import pandas as pd

# .data返回iris数据集所有输入特征
x_data = datasets.load_iris().data 
y_data = datasets.load_iris().target
# .target返回iris数据集所有标签  

 # 为表格增加行索引（左侧）和列标签（上方）
x_data = DataFrame(x_data, columns=['花萼长度', '花萼宽度', '花瓣长度', '花瓣宽度'])
# 设置列名对齐
pd.set_option('display.unicode.east_asian_width', True)  
# 新加一列，列标签为‘类别’，数据为y_data
x_data['类别'] = y_data  

划分 训练集 和 测试集

训练集 训练模型
测试集 验证模型
一共150行数据：其中75%作为训练集，即120行；25%作为测试集，即后30行。

注意这里使用了seed随机种子函数，目的是为了在打乱x和y的同时，采用相同的随机数可以
保证其仍然是一一对应的关系。
之所以采用随机，是因为 模仿人的大脑，这里人在学习如何辨识花朵种类的时候，输入的也是无规律的数据。

# 导入所需模块
import tensorflow as tf
from sklearn import datasets
from matplotlib import pyplot as plt
import numpy as np
 
# 导入数据，分别为输入特征和标签
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）
np.random.seed(16)  # 使用相同的seed，保证输入特征和标签一一对应
np.random.shuffle(x_data)
np