第二讲 神经网络优化--SGD

#利用鸢尾花数据，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
import matplotlib.pyplot as plt
import numpy as np
import time


#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，保证书例如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)


#将打乱后的数据集风格为训练集和测试集，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为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个输入特征数，输入层为4个输入节点，因为3分类，故输出成为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4个step生成的4个loss的和


#训练部分

now_time = time.time()
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 #神经网络的乘加运算
      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) #将标签值转化为独热码格式，方便计算和accuracy
      loss = tf.reduce_mean(tf.square(y_ - y))  #采用均方误差函数mse = mean(sum(y - out)^2)
      loss_all += loss # 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b1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中的数加起来
    total_correct += int(correct)
    #total-number为测试的样本总数，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("-------------------------------------")
total_time = time.time() - now_time
print("total_time", total_time)


#绘制loss曲线
plt.title("Loss Function Curve")
plt.xlabel("Epoch")
plt.ylabel("Loss")
plt.plot(train_loss_results, "b-.", label="$Loss$")
plt.legend()
plt.show()


#绘制Accuracy曲线
plt.title("Acc Curve")
plt.xlabel("Epoch")
plt.ylabel("Acc")
plt.plot(test_acc, "b-.", label="$Accuracy$")
plt.legend()
plt.show()