用Keras实现鸢尾花的分类

最新推荐文章于 2024-04-01 22:47:32 发布

图书馆常驻人口

最新推荐文章于 2024-04-01 22:47:32 发布

阅读量822

点赞数 1

分类专栏：学习记录文章标签：机器学习

本文链接：https://blog.csdn.net/weixin_50899508/article/details/118933116

版权

本文通过Keras展示了鸢尾花分类的实践，包括使用for循环更新参数、利用compile和fit函数进行数据处理、处理多输入单输出及多输入多输出的情况。在多输入场景中，数据被分为3+1两个部分，并将属性分组进行分类计算，同时结合one-hot编码和原始标签进行多输出的处理。

摘要由CSDN通过智能技术生成

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