#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：随机种子，是一个整数，当设置之后，每次生成的随机数都一样
np.random.seed(116)
np.random.shuffle(x_data)
np.random.seed(116)
np.random.shuffle(y_data)
tf.random.set_seed(116)
#将打乱的数据集分为训练集和测试集
x_train = x_data[:-30]
y_train = y_data[:-30]
x_test = x_data[-30:]
y_test = y_data[-30:]
#转换x的数据类型，否则后界矩阵相乘会因数据类型不一样报错
x_train = tf.cast(x_train,tf.float32)
x_test = tf.cast(x_test,tf.float32)
#from_tensor_slices函数使输入特征和标签一一对应（把数据集分批次，每个批次batch组数据）
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)
#生成神经网络的参数，4个输入特征，故输入层为4个节点，，因为分为3类，故输出层为3个神经元
#用tf.Variable()标记参数可训练
#使用seed使每次生成的随机数相同
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))
lr = 0.1 #学习率为0.1
train_loss_results = [] #将每轮的loss记录在此列表中，为后续画loss曲线提供数据
test_acc = [] #将每轮的acc记录在此列表中，为后续话acc曲线提供数据
epoch = 500 #循环500次
loss_all = 0 #每轮分为4个step，loss_all记录四个step生成的4个loss和
#训练
for epoch in range(epoch): #数据级别的循环，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() as tape: #with结构记录梯度信息
y = tf.matmul(x_train,w1) + b1 #神经网络的乘加运算
y = tf.nn.softmax(y) #使输出y符合概率分布（此操作后与独热编码同量级）
y_ = tf.one_hot(y_train,depth=3) #将标签值转换为独热编码格式，方便计算loss和accuracy
loss = tf.reduce_mean(tf.square(y_ - y)) #采用均方误差损失函数mse = mean（sum（y - out）^2）
loss_all += loss.numpy() #将每个step计算出来的loss值累加，为后续求loss平均值提供数据，这样计算的loss更准确
grads = tape.gradient(loss,[w1,b1]) #对loss函数进行求梯度
w1.assign_sub(lr * grads[0]) #参数w1自更新
b1.assign_sub(lr * grads[1]) #参数b1自更新
print("Epoch {},loss: {}".format(epoch,loss_all/4)) #每个epoch，打印loss信息
train_loss_results.append(loss_all / 4) #将4个step的loss平均记录在此变量中
loss_all = 0 #loss_all归零，为记录一个epoch的loss做准备
#测试
#total_correct为预测对的样本的个数，total_number为测试的总样本数，将这两个变量都初始化为0
total_correct,total_number = 0,0
for x_test,y_test in test_db:
#使用更新后的参数进行预测
y = tf.matmul(x_test,w1) + b1
y = tf.nn.softmax(y)
pred = tf.argmax(y,axis=1) #返回y中最大值的索引，即预测的分类
pred = tf.cast(pred,dtype=y_test.dtype) #将pred转换为y_test的数据类型
correct = tf.cast(tf.equal(pred,y_test),dtype=tf.int32) #若分类正确，则correct=1，否则correct=0，将bool型的结果转换为int型
correct = tf.reduce_sum(correct) #将每个batch的correct数加起来
total_correct += int(correct) #将所有batch的correct数加起来
total_number += x_test.shape[0] #total_number为测试的总样本数，也就是x_test的行数，shape[0]返回变量的行数
acc = total_correct / total_number #总的正确率等于total_correct / total_number
test_acc.append(acc)
print("Test_acc",acc)
print("--------------------")
# 绘制loss曲线
plt.title('loss Function Curve') #图片标题
plt.xlabel('epoch') #x轴变量名称
plt.ylabel('loss') #y轴变量名称
plt.plot(train_loss_results,label="$Loss$") #逐点画出train_loss_results值并连线，连接图标是loss
plt.legend() #画出曲线坐标
plt.show() #画出图像
#绘制Accuracy曲线
plt.title('Acc Curve') #图片标题
plt.xlabel('epoch') #x轴变量名称
plt.ylabel('Acc') #y轴变量名称
plt.plot(test_acc,label="$Accuracy$") #逐点画出test_acc值并连线，连接图标是Accuracy
plt.legend()
plt.show()
下面的是笔者的微信公众号，欢迎关注，会持续更新c++、python、tensorflow、机器学习、深度学习等系列文章
