python如何调试+机器学习入门（源码）

前言

好久没写博客了，随手写一篇关于python的博客。主要内容分为两部分：1、python如何调试；2、鸢尾花识别分类识别+源码详细注释（机器学习入门）。希望通过这两部分，能够初步了解python是如何处理目前比较火的人工智能问题。

第一章 python如何调试程序

首先，让我们打开一个程序，这里我打开的是我们在第二章要讲的鸢尾花识别分类程序。图1显示的是，无操作下的界面。

图1

接着我们来试着给程序打个断点，也就是在代码行号的右边点一下，就会出现一个红点，如图2所示，这个操作和MATLAB一样。

图2

在这里我想说的是，程序有两种运行方式，一是直接运行（运行到程序结束），二是断点调试（运行到断点处）。如图3所示：

图3

那么，我们来看看现在直接点运行会怎么样！从图4中我们可以发现，即使打了断点，但是如果点击的是直接运行的话，那么断点实际上不起作用。

图4

但是，如果我们进行的是断点调试，也就是打了断点之后，再点击调试功能，那么程序就会直接运行到断点处，如图5所示。为此我还特意在程序的第13行加入了 print(“你好”) 的代码，方便查看调试过程。对了，进入调试界面有三种方式，如图6所示：

图5

图6

控制台Console一般显示的是程序输出的信息，如果我们想看每个变量的具体信息，我们可以在Debugger界面看到。如图7所示：

图7

点击view as Array可以更直观的看到变量的信息。如图8所示：

图8

好了，让我们继续我们的调试，现在，我在第19行打了一个断点，如果想让我们的代码从当前的16行直接运行到第19行，那么需要点击图9所示的按钮：

图9

如果不想跳转的那么快，像一行一行运行，查看代码的动态变化情况，那么就点击图10中的按钮：

图10

到此为止，python中的基本调试就算结束了，细节或者更深入的操作大家可以自行摸索。我尽量讲的详细一点，目的是让大家一步一步的理解每个步骤，如果看到这对你有所帮助的话，不妨点个赞，您的鼓励就是我创作的动力。如果你对机器学习、人工智能感兴趣的话，那么接下来我们看一下第二部分。

第二章 鸢尾花识别分类问题

不少文章都说鸢尾花识别都是机器学习入门必跑的程序之一，但是好多人可能跑都没跑就卡在这了，一是因为不太好理解，而是因为Tensorflow环境搭建不起来。源码网上也有很多，下面的代码也是参考的一篇文章基于神经网络——鸢尾花识别，不过我在他的基础上加了一些注释，便于对一些不怎么懂代码的萌新的理解。小伙伴们可以结合我的注释，然后查看这篇文章的一些过程说明。
但是再跑这个代码的时候需要先配置好环境，一般来说就是要搭建好Tensorflow，此处可以查看第三章。
其实鸢尾花识别分类这个问题和手写数字识别问题一样，没多大区别，我先前写过一篇关于手写数字识别的博客，但是那个代码没有用到tensorflow框架，这个代码用到了，仅此而已。

# 利用公开的鸢尾花数据集，通过前向传播、反向传播，实现一个鸢尾花分类的操作
# 代码的最后加入了可视化loss曲线

# 导入所需模块
import tensorflow as tf   #相当于导入tensorflow的同时将其命名为tf，目的是便于后续使用该库中的函数更加方便，如tensorflow.cast -> tf.cast
from sklearn import datasets #从sklearn模块中导入指定模块datasets到该项目
from matplotlib import pyplot as plt #画图常用模块
import numpy as np #数值计算常用模块

# 导入数据，分别为输入特征和标签
x_data = datasets.load_iris().data    #输入数据的特征
y_data = datasets.load_iris().target  #输入数据的标签

# 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: 随机数种子，是一个整数，当设置之后，每次生成的随机数都一样（这里设置成100，是为了让你跑的程序和我的结果一样，实际上可以取消，对识别率没什么影响）
np.random.seed(100)  # 使用相同的seed，保证输入特征和标签一一对应
np.random.shuffle(x_data)  #将x_data中的数随机排列
np.random.seed(100)
np.random.shuffle(y_data)
tf.random.set_seed(100)

# 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
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，否则后面矩阵相乘时会因数据类型不一致报错
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值一一对应。（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个输入节点；因为3分类，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（方便教学，使大家结果都一致，在现实使用时不写seed）
w1 = tf.Variable(tf.random.truncated_normal([4, 3], stddev=0.1, seed=1)) #从正态分布中输出随机值，其中stddev: 正态分布的标准差; seed: 一个整数，当设置之后，每次生成的随机数都一样。
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 = []  # 将每轮的准确率记录在此列表中，为后续画acc曲线提供数据
epoch = 500  # 循环500次
loss_all = 0  # 每轮分4个step，loss_all记录四个step生成的4个loss的和

# 训练部分
for epoch in range(epoch):  # 数据集级别的循环，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，训练集实际上分为4个step,每个step中的数据为： 32+32+32+24=120个训练集
        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（此操作后与独热码同量级，可相减求loss）  Yi=yi/Σyi,转换为概率
            y_ = tf.one_hot(y_train, depth=3)  # 将标签值转换为独热码格式，即将0，1，2转换为[1 0 0],[0 1 0],[0 0 1]
            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
        # 计算loss对各个参数的梯度
        grads = tape.gradient(loss, [w1, b1])

        # 实现梯度更新 w1 = w1 - lr * w1_grad    b = b - lr * b_grad
        w1.assign_sub(lr * grads[0])  # 参数w1自更新
        b1.assign_sub(lr * grads[1])  # 参数b自更新

    # 每个epoch，打印loss信息
    print("Epoch {}, loss: {}".format(epoch, loss_all / 4))
    train_loss_results.append(loss_all / 4)  # 将4个step的loss求平均记录在此变量中
    loss_all = 0  # loss_all归零，为记录下一个epoch的loss做准备

    # 测试部分
    # 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
    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
        # 将pred转换为y_test的数据类型
        pred = tf.cast(pred, dtype=y_test.dtype)
        # 若分类正确，则correct=1，否则为0，将bool型的结果转换为int型
        correct = tf.cast(tf.equal(pred, y_test), dtype=tf.int32)
        # 将每个batch的correct数加起来
        correct = tf.reduce_sum(correct)
        # 将所有batch中的correct数加起来
        total_correct += int(correct)
        # 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
        total_number += x_test.shape[0]
    # 总的准确率等于total_correct/total_number
    acc = 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trian_loss_results值并连线，连线图标是Loss
plt.legend()  # 画出曲线图标
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，连线图标是Accuracy
plt.legend()
plt.show()

第三章 Tensorflow框架的安装说明

如果直接运行程序会出现No module named ‘tensorflow’ 的提示，那么如何配置呢？一般而言跑python代码，大多数小伙伴的环境应该是Anaconda+Pycharm，本文针对的是这种情况下的解决方法，如果不是那可能得找其他的解决方法。
具体的流程包括两步：
step1: 在Anaconda中配置好Tensorflow虚拟环境
step2: 在Pycharm中将代码解释器更换为刚刚配置好的Tensorflow虚拟环境

3.1 在Anaconda中配置好Tensorflow虚拟环境

TensorFlow安装教程这个链接有视频版的安装教程，我这里给出的是文字版，如果文字版不懂得小伙伴可以去看这个视频。因为本文针对的是Anaconda+Pycharm环境中配置Tensorflow虚拟环境的问题，所以默认大家都已经下载好了Anaconda。首先，打开图11所示的Navigator，我们可以看到Anaconda中配置了几个虚拟环境，我的是因为配置了Tensorflow虚拟环境，没配的话是没有的。

图11

所以我们的目的是要创建图11所示的Tensorflow虚拟环境，首先打开Anaconda Promot控制台，如图12所示：

图12

然后，输入以下命令，新建一个虚拟环境：（我的是3.8.5）这个就按照自己的python版本来

conda create -n tensorflow python=3.8.5

继续，一直安装，中途会要求输入y，安装好之后需要激活环境，输入以下命令

activate tensorflow

，以上过程见图13-14:

图13

图14

当见到(bash)变成了9Tensorflow之后，就说明我们的虚拟环境建好了，这时候需要下载tensorflow相关的包)，可以通过以下命令搜索有哪些包：

anaconda search -t conda tensorflow

如图15所示，当输入以上命令时，会给出所有包的配置信息，这里你按照自己需要的进行下载。

图15

由于我的是win10+64位+py3.8的，所以我的是下载的2.6版本，并且2.6版本可以向下兼容很多版本的。因此，输入以下命令

anaconda show anaconda/tensorflow

，然后复制下面这句命令进行下载：

conda install --channel https://conda.anaconda.org/anaconda tensorflow

所有过程如图16-17所示：

图16

图17

注意，下载中可能会出现未下载完全的情况，那么可以重复这个命令

conda install --channel https://conda.anaconda.org/anaconda tensorflow

查看是否漏下了。如果没问题的话那就如图18所示：

图18

至此，tensorflow环境就算配置完成了，不出意外的话在之前的Navigator也能看到tensorflow了。

3.2 在Pycharm中更改代码解释器

剩下的步骤很简单，请看图19-21.

图19

图20

图21

---

至此tensorflow环境就算搭建完毕了，如果运行代码时出现了模块缺失的问题，那么在终端输入pip install +所需模块的名称即可，一般就不会出错了。

最后

没想到一写就停不下来了，居然写了两个小时，如果这篇博客对你都有所帮助，希望可以点赞收藏关注走一波，以后还会分享优质博客，谢谢！