主要步骤:
1.准备数据
- 数据集读入
- 数据集乱序
- 将数据集分为训练集和测试集
- 将输入特征和标签配对,每次喂入神经网络一小撮(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
- 反向传播,不断减少loss
4.测试效果
- 计算当前参数前向传播后的准确率
代码:
import tensorflow as tf from sklearn import datasets from matplotlib import pyplot as plt import numpy as np # 导入输入特征和标签 x_data = datasets.load_iris().data y_data = datasets.load_iris().target # 随机打乱数据 # 使用相同的随机种子,保证输入特征和标签一一对应 np.random.seed(116) np.random.shuffle(x_data) np.random.seed(116) np.random.shuffle(y_data) tf.random.set_seed(116) # 将打乱后的数据分割为训练集(前120行)和测试集(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,保证后面矩阵相乘时数据类型一致 x_train = tf.cast(x_train, tf.float32) x_test = tf.cast(x_test, tf.float32) # 将输入特征和标签一一配对 # 每32组数据,打包一次,分批次喂入神经网络 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) # 声明神经网络的参数 # 4个输入特征,3个分类,故输入层为4个输入节点,输出层为3个神经元 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)) # 学习率 lr = 0.2 # 记录每轮训练后的loss,为后续画loss曲线提供参数 train_loss_results = [] # 记录每轮训练后的正确率 test_acc = [] # 将数据喂入神经网络500次 epoch = 500 # 因为数据分批次喂入神经网络,所以需要求和 loss_all = 0 # 数据集级别的循环,每个epoch喂入一次数据集 for epoch in range(epoch): # batch级别的循环,每个step喂入一个batch for step, (x_train, y_train) in enumerate(train_db): with tf.GradientTape() as tape: # 神经网络乘加操作 y = tf.matmul(x_train, w1) + b1 # 使y符合概率分布,与独热码同级,相减可求loss y = tf.nn.softmax(y) # 将标签转换为独热码格式,方便计算loss和accuracy y_ = tf.one_hot(y_train, depth=3) # 使用均方误差损失函数 loss = tf.reduce_mean(tf.square(y_ - y)) # 将每个step计算出来的loss累加 loss_all += loss.numpy() # 计算loss对各参数的导数 grads = tape.gradient(loss, [w1, b1]) # 参数w1和b1自更新 w1.assign_sub(lr * grads[0]) b1.assign_sub(lr * grads[1]) # 输出每次训练的loss # 因为有4组batch,所以除以4 print("epoch:%d loss:%f" % (epoch, loss_all/4)) # 记录每次训练的loss,方便后面绘制loss变化曲线图 train_loss_results.append(loss_all/4) # 归零,方便下次统计 loss_all = 0 # 调用测试数据,统计正确率 # total_correct为正确个数, total_number为测试总数 # 注意,此时仍为batch级别的循环,每次循环,喂入一个batch 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) # 返回y中最大值的索引,即预测的分类 pred = tf.argmax(y, axis=1) # 将pred转换成y_test的类型 pred = tf.cast(pred, dtype=y_test.dtype) # 将bool类型转换成int类型,若分类正确correct=1,否则为0 correct = tf.cast(tf.equal(pred, y_test), dtype=tf.int32) # 计算每个batch中的correct数 correct = tf.reduce_sum(correct) # 将所有batch中的correct数加起来 total_correct += int(correct) # x_test有多少行,每个batch就有多少样本 total_number += x_test.shape[0] acc = total_correct/total_number test_acc.append(acc) print("test_acc:%f" % 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()
运行结果: