【Tensorflow】利用鸢尾花数据集实现前向传播、反向传播、可视化loss曲线

利用鸢尾花数据集实现前向传播、反向传播、可视化loss曲线

本文代码来自B站【北京大学】Tensorflow2.0–class1-p45_iris.py

class1下载地址

提取码：p710

1.常用函数详解

import tensorflow as tf
import numpy as np
tf.constant(张量内容, dtype=数据类型(可选))  #创建一个张量
tf.convert_to_tensor(数据名,dtype=数据类型(可选))  #将numpy的数据类型转换为Tensor数据类型
tf.zeros(维度)  #创建全为0的张量
tf.ones(维度)  #创建全为1的张量
tf.fill(维度,指定值)  #创建全为指定值的张量
tf.random.normal(维度,mean=均值,stddev=标准差)  #生成正态分布的随机数，默认均值为0，标准差为1
tf.random.truncated_normal(维度,mean=均值,stddev=标准差)  #在该函数中随机生成数据的取值在(μ-2σ,μ+2σ）之间，保证了生成值在均值附近
tf.random.uniform(维度,minval=最小值,maxval=最大值)  #生成均匀分度的随机数
tf.cast(张量名,dtype=数据类型)  #强制tensor转换为该数据类型
tf.reduce_min(张量名)  #计算张量维度上元素的最小值
tf.reduce_max(张量名)  #计算张量维度上元素的最大值
tf.reduce_mean(张量名,axis=操作轴)  #计算张量沿着指定维度的平均值，axis=0为跨行 经度，axis=1为跨列 纬度，没有维度则求整个张量中所有数的均值
tf.reduce_sum(张量名,axis=操作轴)  #计算张量沿着指定维度的和
tf.Variable(初始值)  #将变量标记为“可训练”，被标记的变量会在反向传播中记录梯度信息，神经网络中，常用该函数标记待训练参数
tf.add(张量1,张量2)  #实现两个张量的对应元素相加(只有维度相同的张量才可以做四则运算)
tf.subtract(张量1,张量2)  #实现两个张量的对应元素相减(只有维度相同的张量才可以做四则运算)
tf.multiply(张量1,张量2)  #实现两个张量的对应元素相乘(只有维度相同的张量才可以做四则运算)
tf.divide(张量1,张量2)  #实现两个张量的对应元素相除(只有维度相同的张量才可以做四则运算)
tf.square(张量名)  #计算某个张量的平方
tf.pow(张量名,n次方)  #计算某个张量的n次方
tf.sqrt(张量名)  #计算某个张量的开方
tf.matmul(矩阵1,矩阵2)  #实现两个矩阵的相乘(矩阵乘法)
tf.data.Dataset.from_tensor_slices((输入特征,标签))  #切分传入张量的第一维度，生成输入特征/标签对，构建数据集
tf.GradientTape()  #with结构记录计算过程，gradient求出张量的梯度
tf.enumerate(列表名)  #可遍历每个元素(如列表、元组或字符串)，组合为：索引 元素，常在for循环中使用
tf.one_hot(待转换数据,depth=几种分类)  #将带转换数据转换为one-hot形式的数据输出，独热编码是分类问题中常用方法，1表示是，0表示非
tf.nn.softmax(张量名)  #通过该函数使得输出符合概率分布
w.assign_sub(要自减的内容)  #调用该函数之前，先用tf.Variable定义变量w为可训练的
tf.argmax(张量名,axis=操作轴)  #返回张量沿指定维度最大值的索引

举例：

x1 = tf.constant([1.,2.,3.]),dtype=tf.float64)  #创建了一个一维向量（也是张量），类型维64位浮点型
x2 = np.arange(0,5)  #生成一个一维向量[0 1 2 3 4]
x3 = tf.convert_to_tensor(x2,dtype=tf.int64)  #将numpy类型的一维向量x2转换为tensor
x4 = tf.zeros([2,3])  #定义一个两行三列的全为0的张量，默认类型为float32
x5 = tf.ones(4)  #定义一个一维的一行四列向量，默认类型为float32
x6 = tf.fill([2,2],9)  #定义一个两行两列，值全为9的张量，由于指定了值，所以是int32类型
x7 = tf.random.normal([2,2],mean=0.5,stddev=1)  #生成两行两列，均值为0.5，标准差为1的张量
x8 = tf.random.truncated_normal([2,2],mean=0.5,stddev=1)  #生成在-1.5到2.5之间的值
x9 = tf.random.uniform([2,2],minval=0,maxval=1)  #生成在0到1之间均匀分布的两行两列张量
x10 = tf.cast(x1,tf.int32)  #将x1转换为int32类型
x11 = tf.reduce_min(x10)  #生成最小值
x12 = tf.reduce_max(x10)  #生成最大值
x13 = tf.constant([[1, 2, 3], [2, 2, 3]])  #定义一个两行三列的二维张量
x14 = tf.reduce_mean(x13)  #求x13所有数的均值
x15 = tf.reduce_sum(x13, axis=1)  #求每一行的和
x16 = tf.Variable(tf.random.normal([2,2],mean=0,sttdev=1)  #初始化两行两列的二维随机数为可训练的变量
x17 = tf.fill([2,3],5)  #定义一个两行三列，值全为5的张量
x18 = tf.add(x13,x17)  #维度相同张量加法
x19 = tf.subtract(x13,x17)  #维度相同张量减法
x20 = tf.multiply(x13,x17)  #维度相同张量乘法
x21 = tf.divide(x13,x17)  #维度相同张量除法
x22 = tf.fill([3,2],8)  #定义一个三行两列，值全为8的张量
x23 = tf.matmul(x17,x22)  #让两个矩阵相乘
features = tf.constant([12,23,10,17])
lables = tf.constant([0,1,1,0])
dataset = tf.data.Dataset.from_tensor_slices((features,lables))  #构建数据集

2.鸢尾花分类

数据共有150组，包括花萼长、花萼宽、花瓣长、花瓣宽4个输入特征。同时给出了这一组特征对应的鸢尾花类别。类别包括狗尾草鸢尾、杂色鸢尾、弗吉尼亚鸢尾三类，分别用数字0，1，2表示。
环境：tensorflow 2.1 python 3.7

神经网络实现鸢尾花分类过程

1. 准备数据
     数据集读入
     数据集乱序
     生成训练集和测试集
     配对(输入特征,标签)对，每次读入一个batch
2. 搭建网络
     定义神经网络中所有可训练参数
3. 参数优化
     嵌套循环迭代，with结构更新参数，显示当前loss
4. 测试效果
     计算当前参数前向传播后的准确率，显示当前acc

代码如下：

# -*- coding: UTF-8 -*-
# 利用鸢尾花数据集，实现前向传播、反向传播，可视化loss曲线

# 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: 随机数种子，是一个整数，当设置之后，每次生成的随机数都一样（为方便教学，以保每位同学结果一致）
np.random.seed(116)  # 使用相同的seed，保证输入特征和标签一一对应
np.random.shuffle(x_data)
np.random.seed(116)
np.random.shuffle(y_data)
tf.random.set_seed(116)

# 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）
# 每32对特征和标签对组成一个batch，一会儿以batch的形式喂入神经网络
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))
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，为后续画acc曲线提供数据
epoch = 500  # 循环500轮
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
        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）
            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
            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()

实验结果

B站链接

鸢尾花数据集