【人工智能】神经网络实现鸢尾花分类

神经网络实现鸢尾花分类

环境：tensorflow2.3.0 python3.7.13 numpy1.21.5

（一）准备数据

1.数据集录入

from sklearn import datasets
# 没有的需要先安装：pip install sklearn
x_data = datasets.load_iris().data # 返回iris数据集所有的输入特征
y_data = datasets.load_iris().target # 返回iris数据集所有标签

2.数据集乱序

import numpy as np
import tensorflow as tf
np.random.seed(116) # 使用相同的seed，使输入特征/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)

3.生成训练集和测试集（x_train/y_train，x_test/y_test）

# 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)

4.配成（输入特征，标签）对，每次读入一小撮（batch）

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)
# 每32组输入标签对打包为一个batch
# 后续喂入神经网络时会以batch为单位喂入

（二）搭建神经网络

5.定义神经网络中所有可训练参数

w1 = tf.Variable(tf.random.truncated_normal([4,3],stddev=0.1,seed=1))
# 输入层4，输出层3
# 因为我们鸢尾花的特征分为4种,输出节点数等于分类数是3分类
# 因此，得到四行三列的张量w1
b1 = tf.Variable(tf.random.truncated_normal([3],stddev=0.1,seed=0.1))
# b1必须和w1的维度一致，因此是3

# 到此，神经网络的基本结构，就搭建出来了

（三）参数优化

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

6.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
            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
        grads = tape.gradient(loss,[w1,b1]) # 损失函数loss分别对参数w1和b1计算偏导数
        w1.assign_sub(lr * grads[0]) # 参数自更新
        b1.assign_sub(lr * grads[1])
   
    print("Epoch {} , loss:{}".format(epoch,loss_all/4)) # 打印出该轮损失函数数值
    # loss_all/4 求得每次step迭代的平均loss。因为：训练集有120组数据，batch是32个，每个step只能喂入32组数据，需要batch级别循环 循环4次 ，因此除以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
    
# 第一层for循环是针对整个数据集进行循环
    # 第二层for循环是针对batch进行循环

（四）测试效果

我们希望每个epoch循环后可以显示当前模型的效果

7.计算当前参数前向传播后的准确率，显示当前acc

    total_correct, total_number = 0, 0
    for x_test,y_test in test_db:
        # y  = tf.matmul(h,w)+b # y为预测结果
        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中最大索引值，即预测的分类
        pred = tf.cast(pred,dtype=y_test.dtype) # 调整数据类型与标签一致
        correct = tf.cast(tf.equal(pred,y_test),dtype=tf.int32)
        correct = tf.reduce_sum(correct) # 将每个batch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)
    print("--------------------------")

## 6、7代码综合

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
            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
        grads = tape.gradient(loss,[w1,b1]) # 损失函数loss分别对参数w1和b1计算偏导数
        w1.assign_sub(lr * grads[0]) # 参数自更新
        b1.assign_sub(lr * grads[1])
   
    print("Epoch {} , loss:{}".format(epoch,loss_all/4)) # 打印出该轮损失函数数值
    # loss_all/4 求得每次step迭代的平均loss。因为：训练集有120组数据，batch是32个，每个step只能喂入32组数据，需要batch级别循环 循环4次 ，因此除以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
    
# 第一层for循环是针对整个数据集进行循环
    # 第二层for循环是针对batch进行循环
    total_correct, total_number = 0, 0
    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) # 使y符合概率分布
        pred = tf.argmax(y,axis=1) # 返回y中最大索引值，即预测的分类
        pred = tf.cast(pred,dtype=y_test.dtype) # 调整数据类型与标签一致
        correct = tf.cast(tf.equal(pred,y_test),dtype=tf.int32)
        correct = tf.reduce_sum(correct) # 将每个batch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 # 计算正确率
    test_acc.append(acc)
    print("Test_acc:", acc)
    print("--------------------------")

Epoch 0 , loss:0.282870564609766
Test_acc: 0.16666666666666666
--------------------------
Epoch 1 , loss:0.25627104938030243
Test_acc: 0.16666666666666666
--------------------------
中间数据太多，为了不影响阅读，我删除了
--------------------------
Epoch 499 , loss:0.03235771972686052
Test_acc: 1.0
--------------------------

（五）acc/loss可视化

import matplotlib.pyplot as plt
# 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()

​

​

完整代码

# -*- coding: UTF-8 -*-
# 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
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)  # 使用相同的seed，保证输入特征和标签一一对应
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()

Epoch 0, loss: 0.2821310982108116
Test_acc: 0.16666666666666666
--------------------------
[中间数据要多，为了不影响阅读，我手动删除了]
Epoch 499, loss: 0.0323002771474421
Test_acc: 1.0
--------------------------