第一讲 神经网络计算：在tensorflow中用两层神经网络区分鸢尾花类型

# _*_ 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。
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。
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 #每轮分为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对各个参数的他梯度
        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求平均值记录在此变量中
    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)
        #的哦分类正确，则correct=1, 否则为0，将bool型的结果转换为int值
        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_num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train_loss_results值并连线，连线图标是Loss
plt.legend() #画出曲线图标
plt.show()


#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并连线，连线图标是Accuracy
plt.legend()
plt.show()