一、整体过程梳理
- 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,每次读入一小撮(batch)
- 搭建网络
- 定义神经网络中所有可训练参数
- 参数优化
- 嵌套循环迭代,with结构更新参数,显示当前loss
- 测试效果
- 计算当前参数前向传播后的准确率,显示当前acc
- acc/loss可视化
二、代码:
import tensorflow as tf
from sklearn import datasets
from pandas import DataFrame
import pandas as pd
from matplotlib import pyplot as plt
import numpy as np
def demo_class():
'''
鸢尾花分类:
150份数据,四个特征,三个分类
:return:
'''
# 数据集导入
x_data = datasets.load_iris().data # .data返回iris数据集所有输入特征
y_data = datasets.load_iris().target # .data返回iris数据集所有标签
# print('x_data from datasets: \n', x_data)
# print('y_data from datasets: \n', y_data)
#
# x_data = DataFrame(x_data, columns=['花萼长度', '花萼宽度', '花瓣长度', '花瓣宽度'])
# pd.set_option('display.unicode.east_asian_width', True) # 设置列名对齐
# print('x_data add index: \n', x_data)
#
# x_data['类别'] = y_data # 新加一列,列标签为类别
# print('x_data add column: \n', x_data)
# 数据集乱序
# seed: 随机数种子,设置之后每次生成的随机数一样
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)
# 将打乱的数据集分割为训练集和测试集
x_train = x_data[:-30]
y_train = y_data[:-30]
x_test = x_data[-30:]
y_test = y_data[-30:]
# 转换为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)
# 生成神经网络参数,4个输入特征,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
# 用seed使每次生成的随机数相同,方便教学;现实中可不写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,为画loss曲线提供数据
test_acc = [] # 将每轮acc记录,为画acc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):
for step, (x_train, y_train) in enumerate(train_db): # batch级别循环,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符合正态分布(此操作后可与同热码同量级)
y_ = tf.one_hot(y_train, depth=3) # 将标签值转为同热码格式,方便计算loss间
loss = tf.reduce_mean(tf.square(y_ - y)) # 采用均方误差损失函数mse=mean()
loss_all += loss.numpy() # 将每个step计算出得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 + wlgrad 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b1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中最大值得索引,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
plt.ylabel('loss') # x轴变量名
plt.plot(train_loss_results, label="$Loss$") # 逐点画出并连线
plt.legend() # 画出曲线图标
plt.show() # 画出图像
# 绘制Accuracy曲线
plt.title('Acc function curve') # 图片标题
plt.xlabel('Epoch') # x轴变量名
plt.ylabel('Acc') # x轴变量名
plt.plot(test_acc, label="$Accuracy$") # 逐点画出并连线
plt.legend() # 画出曲线图标
plt.show() # 画出图像
if __name__ == '__main__':
# demo()
# demo2()
demo_class()