首页 > 分享 > 3、学习的一个例子：神经网络实现鸾尾花的分类

3、学习的一个例子：神经网络实现鸾尾花的分类

花匠小妙招
2024-12-29 12:56

神经网络实现鸾尾花的分类

直接赋北京大学的代码，其实人家百度网盘都放出资源了，我这里记录一下，因为稍有改动和注释

```python # 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 from sklearn import datasets import tensorflow as tf import matplotlib.pyplot as plt import numpy as np #导入数据集 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) 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[:120] y_train = y_data[:120] x_test = x_data[120:] y_test = y_data[120:] # 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) #y是标签，不进行矩阵运算，不需要转换。 # 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)) #事实证明均值没什么太大的影响，而标准差过大会导致数据过度分散，从而很难收敛，甚至几乎不收敛，这就是以后会遇到的超参的设定问题？但是均值最好为零，减少意外 b1 = tf.Variable(tf.random.truncated_normal([3], stddev=0.1, seed=1)) lr = 0.1 #learning rate epoch = 10000#循环次数 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 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,enumerate将数据打包并编号，有讲 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,一个线性模型 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_onehot = 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_onehot))# 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]) b1.assign_sub(lr * grads[1]) # 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 # 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 step, (x_test, y_test) in enumerate(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)#这里不类型转换也可以，已经是int32 # 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") plt.xlabel("epoch") plt.ylabel("loss") 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()

123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778798081828384858687888990919293949596979899100101102103104105106107108109110111112113114115116