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。
文章目录
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!