tensorflow2.0——鸢尾花分类实操（神经网络伪代码）

一、实操

　　下面进行的模型训练为伪代码，一般用tensorflow不会用到这种方式来训练模型，这个只是用来作为对上一篇常用函数的使用，方便熟悉代码以及训练时梯度是如何计算的。

import tensorflow as tf
from sklearn.datasets import load_iris

# 读取鸢尾花数据
iris_data = load_iris()
x = tf.constant(iris_data.data)
y = tf.constant(iris_data.target)

x=tf.cast(x,tf.float32)
y=tf.cast(y,y.dtype)

y = tf.one_hot(y, 3)  # 对y进行独热编码

# 构建数据集，分为3批次，每个批次大小为50
dataset = tf.data.Dataset.from_tensor_slices((x, y)).shuffle(30).batch(50)

# 构建神经网络的全连接层4*3的结构，详情如下:输入为x的4个特征值，无激活函数；输出层为3，softmax激活函数
# 输入层权重、偏倚
w = tf.Variable(tf.ones([4, 3]))
b = tf.Variable(tf.ones([1,3]))

# 训练设定迭代5代，每代3个批次,学习率为0.1
epoch = 5
learn_rate = 0.1

for epoch_i in range(epoch):
    for step, (x_batch, y_batch) in enumerate(dataset):
        with tf.GradientTape(persistent=True) as tape:
            a = tf.matmul(x_batch,w) + b  # 激活前的值
            y_pre = tf.nn.softmax(a)  # softmax激活函数后的输出
            loss = tf.reduce_mean(tf.square(y_pre - y_batch))  # 均方误差
        grads = tape.gradient(loss, [w, b])  # 计算梯度
        w.assign_sub(learn_rate * grads[0])  # 更新权重
        b.assign_sub(learn_rate * grads[1])  # 更新权重

        print('第%d代，第%d批次，loss=%.5f'%(epoch_i+1,step+1,loss))

输出结果：

第1代，第1批次，loss=0.22222
第1代，第2批次，loss=0.24286
第1代，第3批次，loss=0.27031
第2代，第1批次，loss=0.26356
第2代，第2批次，loss=0.20968
第2代，第3批次，loss=0.27439
第3代，第1批次，loss=0.25802
第3代，第2批次，loss=0.23685
第3代，第3批次，loss=0.20936
第4代，第1批次，loss=0.27304
第4代，第2批次，loss=0.21698
第4代，第3批次，loss=0.19768
第5代，第1批次，loss=0.25066
第5代，第2批次，loss=0.22764
第5代，第3批次，loss=0.19781