实例描述
采用Iris数据集进行多分类问题的训练,Iris也称鸢尾花卉数据集,是一类多重变量分析的数据集。数据集包含150个数据集,分为3类,每类50个数据,每个数据包含4个属性。可通过花萼长度,花萼宽度,花瓣长度,花瓣宽度4个属性预测鸢尾花卉属于(Setosa,Versicolour,Virginica)三个种类中的哪一类。
这里采用sklearn中的数据集,首先把数据绘制出来。
在把这个数据集在的前三个属性在三维空间中绘制出来。
实现过程
(1)准备数据
这里直接导入sklearn库里的数据集就可以
def loadData():
iris = datasets.load_iris()
#n_samples,n_features=iris.data.shape
#print("Number of sample:",n_samples)
#print("Number of feature",n_features)
data = iris.data
label = iris.target
data,label = normalization(data,label)
return data,label
这里为了方便训练我对原数据集做了小小的调整,这个调整不调整都可以,看心情。
(2)定义模型
这里定义了一个添加层的函数,参数分别为(输入数据,输入数据大小,输出结果大小,激活函数)。这里激活函数默认是None。我选择的是softmax作为激活函数
def add_layer(inputs, in_size, out_size, activation_function=None,):
Weights = tf.Variable(tf.random_normal([in_size, out_size]))
biases = tf.Variable(tf.zeros([1, out_size]) + 0.1,)
Wx_plus_b = tf.matmul(inputs, Weights) + biases
if activation_function is None:
outputs = Wx_plus_b
else:
outputs = activation_function(Wx_plus_b,)
return outputs
接下来定义神经网络的图结构
xs = tf.placeholder(tf.float32,[None,4])
ys = tf.placeholder(tf.float32,[None,3])
y_ = add_layer(xs,4,3, activation_function=tf.nn.softmax)
损失函数与优化器分别选择交叉熵和梯度下降优化器
loss = tf.reduce_mean(-tf.reduce_sum(ys * tf.log(y_),reduction_indices=[1]))
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(loss)
(3)训练模型
这里使用了sklearn中的 train_test_split 将数据集分为测试和训练集,训练集包含120组数据,测试集包含30组数据。
train_data,test_data,train_label,test_label = train_test_split(data,label,test_size = 0.2)
开始训练模型
sess = tf.Session()
sess.run(tf.initialize_all_variables())
for i in range(50):
sess.run(train_step,feed_dict={xs:train_data,ys:train_label})
if i % 5 ==0:
print(compute_accuracy(test_data, test_label))
这里用到一个计算准确率的函数 compute_accuracy
def compute_accuracy(v_xs, v_ys):
global y_
y_pre = sess.run(y_, feed_dict={xs: v_xs})
correct_prediction = tf.equal(tf.argmax(y_pre,1), tf.argmax(v_ys,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
result = sess.run(accuracy, feed_dict={xs: v_xs, ys: v_ys})
return result
(4)测试模型
可以看到准确率还是比较让人满意的。参考代码下载https://github.com/yaoxunji/tensorflow/tree/master/2
才疏学浅,若有不足,还望指正,万分感谢。