第一讲 神经网络计算：在tensorflow中用两层神经网络区分鸢尾花类型

  1 # _*_ coding: UTF-8 _*_
  2 #利用鸢尾花数据集，实现前向传播、反向传播，可视化loss曲线
  3 
  4 #导入所需模块
  5 import tensorflow as tf
  6 from sklearn import datasets
  7 from matplotlib import pyplot as plt
  8 import numpy as np
  9 
 10 #导入数据，分别为输入特征和标签
 11 x_data = datasets.load_iris().data
 12 y_data = datasets.load_iris().target
 13 
 14 #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）
 15 #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。
 16 np.random.seed(116) #使用相同的seed，保证输入特征和标签一一对应。
 17 np.random.shuffle(x_data)
 18 np.random.seed(116)
 19 np.random.shuffle(y_data)
 20 tf.random.set_seed(116)
 21 
 22 #将打乱后的数据集分割为训练集和测试集，训练集为前120行，测试集为后30行
 23 x_train = x_data[:-30]
 24 y_train = y_data[:-30]
 25 x_test = x_data[-30:]
 26 y_test = y_data[-30:]
 27 
 28 
 29 #转换x的数据类型，否则后面矩阵相乘时会因数据类型不一致报错
 30 x_train = tf.cast(x_train, tf.float32)
 31 x_test = tf.cast(x_test, tf.float32)
 32 
 33 # from_tensor_slices函数使输入特征和标签值一一对应。（把数据集分批次，每个批次batch组数据）
 34 train_db = tf.data.Dataset.from_tensor_slices((x_train, y_train)).batch(32)
 35 test_db = tf.data.Dataset.from_tensor_slices((x_test, y_test)).batch(32)
 36 
 37 #生成神经网络的参数，4个输入特征，故输入层为4个输入节点；因为3分类，故输出层为3个神经元
 38 #用tf.Variable()标记参数可训练
 39 #使用seed使每次生成的随机数相同。
 40 w1 = tf.Variable(tf.random.truncated_normal([4, 3], stddev=0.1, seed=1))
 41 b1 = tf.Variable(tf.random.truncated_normal([3], stddev=0.1, seed=1))
 42 
 43 lr = 0.1 #学习率为0.1
 44 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
 45 test_acc = [] #将每轮的acc记录在此列表中，为后续画acc曲线提供数据
 46 epoch = 500 #循环500轮
 47 loss_all = 0 #每轮分为4个step, loss_all记录四个step生成的4个loss的和
 48 
 49 #训练部分
 50 for epoch in range(epoch): #数据集级别的循环，每个epoch循环一次数据集
 51     for step, (x_train, y_train) in enumerate(train_db): #batch级别的循环，每个step循环一个batch
 52         with tf.GradientTape() as tape: #with结构记录梯度信息
 53             y = tf.matmul(x_train, w1) + b1 #神经网络乘加运算
 54             y = tf.nn.softmax(y) #使输出y符合概率分布（此操作后与独热码同量级，可相减求loss）
 55             y_ = tf.one_hot(y_train, depth=3) #将标签值转换为独热码格式，方便计算loss和accuracy
 56             loss = tf.reduce_mean(tf.square(y_ - y)) #采用均方误差损失函数mse = mean(sum(y-out)^2)
 57             loss_all += loss.numpy() #将每个step计算出的loss累加，为后续求loss平均值提供数据，这样计算的loss更准确
 58         #计算loss对各个参数的他梯度
 59         grads = tape.gradient(loss, [w1, b1])
 60 
 61         #实现梯度更新w1 = w1 - lr * w1_grad, b = b - lr * b_grad
 62         w1.assign_sub(lr * grads[0]) #参数w1自更新
 63         b1.assign_sub(lr * grads[1]) #参数b自更新
 64     
 65     #每个epoch,打印loss信息
 66     print("Epoch: {}, loss: {}".format(epoch, loss_all/4))
 67     train_loss_results.append(loss_all / 4) #将4个step的loss求平均值记录在此变量中
 68     loss_all = 0  #loss_all归零，为记录下一个epoch的loss做准备
 69 
 70     #测试部分
 71     #total_correct为预测对的样本个数，total_number为测试的总样本数,将这两个变量都初始化为0
 72     total_correct, total_number = 0, 0
 73     for x_test, y_test in test_db:
 74         #使用更新后的参数进行预测
 75         y = tf.matmul(x_test, w1) + b1
 76         y = tf.nn.softmax(y)
 77         pred = tf.argmax(y, axis=1) #返回y中最大值的索引，即预测的分类
 78         #将pred转换为y_test的数据类型
 79         pred = tf.cast(pred, dtype=y_test.dtype)
 80         #的哦分类正确，则correct=1, 否则为0，将bool型的结果转换为int值
 81         correct = tf.cast(tf.equal(pred, y_test), dtype=tf.int32)
 82         #将每个batch的correct数加起来
 83         correct = tf.reduce_sum(correct)
 84         #将所有batch中的correct数加起来
 85         total_correct += int(correct)
 86         #total_num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
 87         total_number += x_test.shape[0]
 88     #总的准确率等于total_correct/total_number
 89     acc = total_correct / total_number
 90     test_acc.append(acc)
 91     print("Test_acc:", acc)
 92     print("-----------------------------------------")
 93 
 94 
 95 #绘制loss曲线
 96 plt.title("Loss Function Curve") #图片标题
 97 plt.xlabel("Epoch") #x轴变量名称
 98 plt.ylabel("Loss") #y轴变量名称
 99 plt.plot(train_loss_results, label="$Loss$") #逐点画出train_loss_results值并连线，连线图标是Loss
100 plt.legend() #画出曲线图标
101 plt.show()
102 
103 
104 #绘制Accuracy曲线
105 plt.title("Acc Curve") #图片标题
106 plt.xlabel("Epoch") #x轴变量名称
107 plt.ylabel("Acc") #y轴变量名称
108 plt.plot(test_acc, label="$Accuracy$") #逐点画出test_acc并连线，连线图标是Accuracy
109 plt.legend()
110 plt.show()