第一个例子,用for循环对参数进行更新
import numpy as np
import tensorflow as tf
from sklearn.datasets import load_iris
#无需下载,直接从sklearn数据库中导入Iris数据集
#Iris数据集以字典的形式存储,dict_key(['data','target','target_name',DESCR','feature_name']
#这里只用到data和target
data=load_iris()
iris_target=data.target
iris_data=np.float32(data.data)#转化为floa类型的list
#鸢尾花分成三类,这里对target进行one-hot处理,因为是三类,处理成n行3列的形式
iris_target=np.float32(tf.keras.utils.to_categorical(iris_target,num_classes=3))
#
iris_data=tf.data.Dataset.from_tensor_slices(iris_data).batch(50)
iris_target=tf.data.Dataset.from_tensor_slices(iris_target).batch(50)
#训练模型
inputs=tf.keras.layers.Input(shape=(4))#输入的属性是四个
#设置神经网络
x=tf.keras.layers.Dense(32, activation="relu")(inputs)
x=tf.keras.layers.Dense(64, activation="relu")(x)
predictions=tf.keras.layers.Dense(3, activation="softmax")(x)
#输入输出进行连接
model=tf.keras.Model(inputs=inputs,outputs=predictions)
#优化器设置
opt=tf.optimizers.Adam(1e-3)
#用for语句实现循环进行梯度更新
for epoch in range(1000):
for _data,label in zip(iris_data,iris_target):
with tf.GradientTape() as type:
logits=model(_data)
loss_value=tf.reduce_mean(tf.keras.losses.categorical_crossentropy(y_true=label, y_pred=logits))
grads=type.gradient(loss_value,model