python 使用Tensorflow训练BP神经网络实现鸢尾花分类
Hello,兄弟们，开始搞深度学习了，今天出第一篇博客，小白一枚，如果发现错误请及时指正，万分感谢。
使用软件
Python 3.8，Tensorflow2.0
问题描述
鸢尾花主要分为狗尾草鸢尾(0)、杂色鸢尾(1)、弗吉尼亚鸢尾(2)。
人们发现通过计算鸢尾花的花萼长、花萼宽、花瓣长、花瓣宽可以将鸢尾花分类。
所以只要给出足够多的鸢尾花花萼、花瓣数据，以及对应种类，使用合适的神经网络训练，就可以实现鸢尾花分类。
搭建神经网络
输入数据是花萼长、花萼宽、花瓣长、花瓣宽，是n行四列的矩阵。
而输出的是每个种类的概率，是n行三列的矩阵。
我们采用BP神经网络，设X为输入数据，Y为输出数据，W为权重，B偏置。有
y=x∗w+b
因为x为n行四列的矩阵，y为n行三列的矩阵，所以w必须为四行三列的矩阵，每个神经元对应一个b，所以b为一行三列的的矩阵。
神经网络如下图。
所以，只要找到合适的w和b，就能准确判断鸢尾花的种类。
下面就开始对这两个参数进行训练。
训练参数
损失函数
损失函数表达的是预测值(y*)和真实值(y)的差距，我们采用均方误差公式作为损失函数。
损失函数值越小，说明预测值和真实值越接近，w和b就越合适。
如果人来一组一组试，那肯定是不行的。所以我们采用梯度下降算法来找到损失函数最小值。
梯度：对函数求偏导的向量。梯度下降的方向就是函数减少的方向。
其中a为学习率，即梯度下降的步长，如果a太大，就可能错过最优值，如果a太小，则就需要更多步才能找到最优值。所以选择合适的学习率很关键。
参数优化
通过反向传播来优化参数。
反向传播：从后向前，逐层求损失函数对每层神经元参数的偏导数，迭代更新所有参数。
比如
可以看到w会逐渐趋向于loss的最小值0。
以上就是我们训练的全部关键点。
代码
数据集
我们使用sklearn包提供的鸢尾花数据集。共150组数据。
打乱保证数据的随机性，取前120个为训练集，后30个为测试集。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
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)
参数
1
2
3
4
w1 = tf.Variable(tf.random.truncated_normal([4, 3], stddev=0.1))
b1 = tf.Variable(tf.random.truncated_normal([3], stddev=0.1))
训练
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
a = 0.1
epoch = 500
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))
grads = tape.gradient(loss, [w1, b1])
w1.assign_sub(a * grads[0])
b1.assign_sub(a * grads[1])
测试
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
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)
predict = tf.argmax(y, axis=1)
predict = tf.cast(predict, dtype=y_test.dtype)
correct = tf.cast(tf.equal(predict, 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
print("测试准确率 = %.2f %%" % (acc * 100.0))
my_test = np.array([[5.9, 3.0, 5.1, 1.8]])
print("输入 5.9 3.0 5.1 1.8")
my_test = tf.convert_to_tensor(my_test)
my_test = tf.cast(my_test, tf.float32)
y = tf.matmul(my_test, w1) + b1
y = tf.nn.softmax(y)
species = {0: "狗尾鸢尾", 1: "杂色鸢尾", 2: "弗吉尼亚鸢尾"}
predict = np.array(tf.argmax(y, axis=1))[0]
print("该鸢尾花为：" + species.get(predict))
结果：
结语
以上就是全部内容，鸢尾花分类作为经典案例，应该重点掌握理解。有一起学习的伙伴可以把想法打在评论区，大家多多交流，我也会及时回复的！
以上就是python 使用Tensorflow训练BP神经网络实现鸢尾花分类的详细内容，更多关于python 训练BP神经网络实现鸢尾花分类的资料请关注脚本之家其它相关文章！
您可能感兴趣的文章:
Python机器学习利用鸢尾花数据绘制ROC和AUC曲线Python sklearn库实现PCA教程(以鸢尾花分类为例)python KNN算法实现鸢尾花数据集分类python实现鸢尾花三种聚类算法（K-means,AGNES,DBScan）Python机器学习性能度量利用鸢尾花数据绘制P-R曲线相关知识
基于BP神经网络对鸢尾花的分类的研究
Python 基于BP神经网络的鸢尾花分类
TensorFlow学习记录（八）
卷积神经网络实现鸢尾花数据分类python代码实现
搭建简单的神经网络——使用pytorch实现鸢尾花的分类
深度学习入门——基于TensorFlow的鸢尾花分类实现（TensorFlow
TensorFlow 2建立神经网络分类模型——以iris数据为例
使用神经网络模型进行鸢尾花分类 matlab神经网络分类鸢尾花
神经网络与深度学习
Tensorflow鸢尾花分类（数据加载与特征处理）
网址: python 使用Tensorflow训练BP神经网络实现鸢尾花分类 https://m.huajiangbk.com/newsview550792.html
| 上一篇: 第一个深度学习入门项目——使用A |
下一篇: 易得花网络贷款不当催收 |
