标签：loss plt train TensorFlow2.0 test 源码 tf 鸢尾花 data
根据前面的基础知识，可以开始第一个神经网络的搭建，主要学习的资料西安科技大学：神经网络与深度学习——TensorFlow2.0实战，北京大学：人工智能实践Tensorflow笔记
TensorFlow2.0入门学习笔记(5)——构建第一个神经网络，鸢尾花分类问题（附源码）
1.问题背景
问题描述
人们通过经验总结出的规律：通过测量鸢尾花的花萼长、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 则为杂色鸢尾花）。大量依靠人工分类工作量巨大，不同的人员分类，标准，准确率都会有所差距。可以借助深度学习来学习其中的特征并对新数据进行预测。
流程设计
- 大量的[花萼长、花萼宽、花瓣长、花瓣宽（输入特征），对应的类别（标签）]数据对构成数据集
- 把数据集喂入搭建好的神经网络结构
- 网络优化参数得到模型
- 模型读入新输入特征，输出识别结果
模型设计
搭建网络模型
转换为数学模型
所有输入特征x与相应特征权重w相乘加上偏置项b输出结果y。
x：一行四列矩阵，对应四个特征
w：四行三列矩阵
b：3个偏置项
y：一行三列矩阵，对应三种类别的可信度
搭建网络
每个神经元\(y_0,y_1,y_2与输入节点x_0,x_1,x_2,x_3\)都有联系，称为全连接神经网络权重w与偏置项b会随机初始化一组参数
前向传播
神经网络执行y = x * w + b的过程称为前向传播
损失函数
损失函数：预测值(y)与标准答案(\(y_i\))的差距，可以定量判断w，b的优劣，当损失函数输出最小时会出现最优解。（有多种损失函数，这里用均方误差）
- 均方误差：\(MSE(y,y_i)=\frac{\sum_{k=0}^n(y-y_i)^2}{n}\)
梯度下降
目的：找到一组参数w和b，使得损失函数最小。
梯度：函数对个参数求偏导后的向量，梯度下降的方向是函数减小的方向。
梯度下降：延损失函数梯度下降的方向，寻找损失函数的最小值，得到最优参数。
学习率(learning rate, lr)：当学习率设置过小时，收敛过程将变得十分缓慢。当学习率设置过大时，梯度可能会在最小值附近震荡，甚至无法收敛
反向传播
\(w_{t+1}=w_t-lr*\frac{\partial loss}{\partial w_t}\)
从前向后，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。
2.数据读入
数据集介绍：
该数据集已集成在sklearn包中，可直接调入使用，数据共有150组，每组包括花萼长、花萼宽、花瓣长、花瓣宽共四个输入特征。同时给出了这一组特征的的对应鸢尾花类别。类别包括Setosa Iris（狗尾草鸢尾），Versicolour Iris（杂色鸢尾），Viginaica Iris（弗吉尼亚鸢尾）三类，分别用数字0，1，2表示
- 从sklearn包datasets读入数据集
from sklearn.datasets import load_iris
x_data = datasets.load_iris().data #读入iris数据集的所有输入特征
y_data = datasets.load_iris().target #读入iris数据集所有标签
数据预处理
- 数据集乱序：随机打乱数据
# seed: 随机数种子，是一个整数，当设置之后，每次生征和标签一一对应
np.random.shuffle(x_data)
np.random.seed(116)
np.random.shuffle(y_data)
tf.random.set_seed(116)
- 将数据集分成训练集和测试集
# 训练集为前120行，测试集为后30行
x_train = x_data[:-30]
y_train = y_data[:-30]
x_test = x_data[-30:]
y_test = y_data[-30:]
- 输入特征和标签值一一对应，把数据集分批次，每个批次batch(32)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)
数据训练
- 定义神经网络中所有参数可训练
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))
- 嵌套循环迭代，with结构更新参数，显示当前loss
for epoch in range(epoch): # 数据集级别迭代
for step, (x_train, y_train) in enumerate(train_db): # batch级别的迭代
with tf.GradientTape() as tape: # 记录梯度信息
# 前向传播过程计算y
# 计算总loss
grads = tape.gradient(loss, [w1, b1]) # 求导
w1.assign_sub(lr * grads[0]) # 参数w1自更新
b1.assign_sub(lr * grads[1]) # 参数b自更新
# 每个epoch，打印loss信息
print("Epoch {}, loss: {}".format(epoch, loss_all/4))
- 计算当前参数前向传播后的准确率，显示当前acc（accuracy）
for x_test, y_test in test_db:
y = tf.matmul(x_test, w1) + b1 # y为预测结果
y = tf.nn.softmax(y) # y符合概率分布
pred = tf.argmax(y, axis=1) # 返回y中最大值的索引，即预测的分类
pred = tf.cast(pred, dtype=y_test.dtype) # 调整参数类型与标签一致
correct = tf.cast(tf.equal(pred, y_test), dtype=tf.int32)
correct = tf.reduce_sum(correct) # 将所有batch中的correct数加起来
total_correct += int(correct) # 将所有batch中的correct数加起来
total_number += x_test.shape[0]
acc = total_correct / total_number
test_acc.append(acc)
print("Test_acc:", acc)
数据可视化
- loss可视化
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
- acc可视化
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()
3.完整源码
# 导入所需模块
import tensorflow as tf
from sklearn import datasets
from matplotlib import pyplot as plt
import numpy as np
# 导入数据，分别为输入特征和标签
x_data = datasets.load_iris().data
y_data = datasets.load_iris().target
# 随机打乱数据（因为原始数据是顺序的，顺序不打乱会成的随机数都一样（为方便教学，以保每位同学结果一致）
# np.random.seed(116) # 使用相同的seed，保证输入特影响准确率）
# seed: 随机数种子，是一个整数，当设置之后，每次生征和标签一一对应
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[:-30]
y_train = y_data[:-30]
x_test = x_data[-30:]
y_test = y_data[-30:]
# 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)
# 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))
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
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): #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
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符合概率分布（此操作后与独热码同量级，可相减求loss）
y_ = 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)) # 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]) # 参数w1自更新
b1.assign_sub(lr * grads[1]) # 参数b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，将这两个变量都初始化为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)
# 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()
标签：loss,plt,train,TensorFlow2.0,test,源码,tf,鸢尾花,data 来源： https://www.cnblogs.com/moonspace/p/12879489.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。