基于神经网络——鸢尾花识别（Iris）
前言
鸢尾花识别是学习AI入门的案例，这里和大家分享下使用Tensorflow 2框架，编写程序，获取鸢尾花数据，搭建神经网络，最后训练和识别鸢尾花。
目录
鸢尾花识别——思路流程：
认识鸢尾花
获取鸢尾花数据
整理数据为训练集，测试集
搭建神经网络模型
鸢尾花识别 完整代码：
鸢尾花识别——思路流程：
1）获取鸢尾花数据，分析处理。
2）整理数据位训练集，测试集。
3）搭建神经网络模型。
4）训练网络，优化网络模型参数。
5）保存最优的模型，进行鸢尾花识别。
认识鸢尾花
我们先认识下什么是鸢尾花？
鸢尾花分类：狗尾草鸢尾、杂色鸢尾、弗吉尼亚鸢尾
鸢尾花的特征是什么呢？
鸢尾花花萼长、花萼宽、花瓣长、花瓣宽。我们通过对数据进行分析总结出了规律：通过测量花的花萼长、花萼宽、花瓣长、花瓣宽，可以得出鸢尾花的类别（如：花萼长>花萼宽且花瓣长/花瓣宽>2 ，则杂色鸢尾）
获取鸢尾花数据
4 个属性作为输入特征：花萼长、花萼宽、花瓣长、花瓣宽 ；
类别作为标签，0 代表狗尾草鸢尾，1 代表杂色鸢尾，2 代表弗吉尼亚鸢尾。
iris数据集 即鸢尾花数据。x_data 存放 iris数据集所有输入特征（4 种）；y_data存放 iris数据集所有标签（3种）
from sklearn import datasets
from pandas import DataFrame
import pandas as pd
x_data = datasets.load_iris().data
y_data = datasets.load_iris().target
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)
print("x_data add index: n", x_data)
x_data['类别'] = y_data
print("x_data add a column: n", x_data)
在sklearn库中，x_data，y_data的原始数据：
在x_data[ ]数据中，新加一列，列标签为‘类别’，数据为y_data：
整理数据为训练集，测试集
把输入特征 和 标签 做成数据对，即每一行输入特征有与之对应的类别；得出一共150行数据；其中75%作为训练集，即120行；25%作为测试集，即后30行。
注意：训练集和测试集，没有交集，它们之间都没有一样的数据。
import tensorflow as tf
from sklearn import datasets
from matplotlib import pyplot as plt
import numpy as np
x_data = datasets.load_iris().data
y_data = datasets.load_iris().target
np.random.seed(116)
np.random.shuffle(x_data)
np.random.seed(116)
np.random.shuffle(y_data)
tf.random.set_seed(116)
x_train = x_data[:-30]
y_train = y_data[:-30]
x_test = x_data[-30:]
y_test = y_data[-30:]
x_train = tf.cast(x_train, tf.float32)
x_test = tf.cast(x_test, tf.float32)
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)
为了训练更高效，通常会把数据变成batch（包），例如，把32行数据为一个小包batch。
搭建神经网络模型
从数据中分析出，有4个输入特征，所以输入层有4个节点；鸢尾花3种类别，所以输出层有3个节点. 我们需要初始化网络中的参数（权值、偏置）。
通过前向传播计算，即从输入层到输出层迭代计算，预测出是那个类别的鸢尾花，对比是否预测正确（通过损失函数计算出 预测值和真实值的偏差，这个偏差越小代表预测越接近真实；最终选择最优的参数）。
输入层和输出层之间的映射关系接近正确的，模型基本训练好了。
即所有的输入 x 乘以各自线上的权重 w 求和加上偏置项 b 得到输出 y 。
输出 y 中，1.01 代表 0 类鸢尾得分，2.01 代表 1 类鸢尾得分，-0.66 代表 2 类鸢尾得分。通过输出 y 可以看出数值最大(可能性最高)的是 1 类鸢尾，而5不是标签 0 类鸢尾。这是由于最初的参数 w 和 b 是随机产生的，现在输出的结果是不准确的。
为了修正这一结果，我们用 损失函数，定义预测值 y 和标准答案(标签)_y 的差距，损失函数可以定量的判断当前这组参数 w 和 b 的优劣，当损失函数最小时，即可得到最优 w 的值和 b 的值。
损失函数，其目的是寻找一组参数 w 和 b 使得损失函数最小。为达成这一目的，我们采用梯度下降的方法。
损失函数的梯度 表示损失函数对各参数求偏导后的向量，损失函数梯度下降的方向，就是是损失函数减小的方向。梯度下降法即沿着损失函数梯度下降的方向，寻找损失函数的最小值，从而得到最优的参数。
梯度下降的直观解释：（来自：梯度下降（Gradient Descent）小结 - 刘建平Pinard - 博客园）
首先来看看梯度下降的一个直观的解释。比如我们在一座大山上的某处位置，由于我们不知道怎么下山，于是决定走一步算一步，也就是在每走到一个位置的时候，求解当前位置的梯度，沿着梯度的负方向，也就是当前最陡峭的位置向下走一步，然后继续求解当前位置梯度，向这一步所在位置沿着最陡峭最易下山的位置走一步。这样一步步的走下去，一直走到觉得我们已经到了山脚。当然这样走下去，有可能我们不能走到山脚，而是到了某一个局部的山峰低处。
从上面的解释可以看出，梯度下降不一定能够找到全局的最优解，有可能是一个局部最优解。当然，如果损失函数是凸函数，梯度下降法得到的解就一定是全局最优解。
梯度下降参考：深入浅出--梯度下降法及其实现 - 简书
鸢尾花识别 完整代码：
import tensorflow as tf
from sklearn import datasets
from matplotlib import pyplot as plt
import numpy as np
x_data = datasets.load_iris().data
y_data = datasets.load_iris().target
np.random.seed(116)
np.random.shuffle(x_data)
np.random.seed(116)
np.random.shuffle(y_data)
tf.random.set_seed(116)
x_train = x_data[:-30]
y_train = y_data[:-30]
x_test = x_data[-30:]
y_test = y_data[-30:]
x_train = tf.cast(x_train, tf.float32)
x_test = tf.cast(x_test, tf.float32)
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)
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
train_loss_results = []
test_acc = []
epoch = 500
loss_all = 0
for epoch in range(epoch):
for step, (x_train, y_train) in enumerate(train_db):
with tf.GradientTape() as tape:
y = tf.matmul(x_train, w1) + b1
y = tf.nn.softmax(y)
y_ = tf.one_hot(y_train, depth=3)
loss = tf.reduce_mean(tf.square(y_ - y))
loss_all += loss.numpy()
grads = tape.gradient(loss, [w1, b1])
w1.assign_sub(lr * grads[0])
b1.assign_sub(lr * grads[1])
print("Epoch {}, loss: {}".format(epoch, loss_all/4))
train_loss_results.append(loss_all / 4)
loss_all = 0
total_correct, total_number = 0, 0
for x_test, y_test in test_db:
y = tf.matmul(x_test, w1) + b1
y = tf.nn.softmax(y)
pred = tf.argmax(y, axis=1)
pred = tf.cast(pred, dtype=y_test.dtype)
correct = tf.cast(tf.equal(pred, y_test), dtype=tf.int32)
correct = tf.reduce_sum(correct)
total_correct += int(correct)
total_number += x_test.shape[0]
acc = total_correct / total_number
test_acc.append(acc)
print("Test_acc:", acc)
print("--------------------------")
plt.title('Loss Function Curve')
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.plot(train_loss_results, label="$Loss$")
plt.legend()
plt.show()
plt.title('Acc Curve')
plt.xlabel('Epoch')
plt.ylabel('Acc')
plt.plot(test_acc, label="$Accuracy$")
plt.legend()
plt.show()
训练过程，一共迭代500次，最后得出 loss: 0.032300274819135666 Test_acc: 1.0
随着迭代次数的增加，损失率（预估值和真实值的偏差）在减少；准确率在不多提高，最终到达100%（即：1）
本博客参考：北京大学 课程“人工智能实践：Tensorflow笔记”；
相关知识
基于BP神经网络对鸢尾花的分类的研究
鸢尾花分类——神经网络详解
神经网络与深度学习（五）前馈神经网络（3）鸢尾花分类
Python 基于BP神经网络的鸢尾花分类
第3章（下）基于Softmax回归完成鸢尾花分类任务
基于深度卷积神经网络的植物病虫害识别
TensorFlow学习记录（八）
鸢尾花 Iris
基于卷积神经网络和集成学习的材质识别和分割方法研究
基于粗糙集和BP神经网络的棉花病害识别
网址: 基于神经网络——鸢尾花识别（Iris） https://m.huajiangbk.com/newsview460463.html
| 上一篇: 植物主题餐厅，清新浪漫一“夏”！ |
下一篇: 花园主题餐厅 |
