1 # 利用鸢尾花数据集，实现前向传播、反向传播，可视化loss曲线
2
3 # 导入所需模块
4 import tensorflow as tf
5 from sklearn import datasets
6 from matplotlib import pyplot as plt
7 import numpy as np
8 import time
9
10
11 # 导入数据，分别为输入特征和标签
12 x_data = datasets.load_iris().data
13 y_data = datasets.load_iris().target
14
15
16 # 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）
17 # 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）
18 np.random.seed(116)
19 np.random.shuffle(x_data)
20 np.random.seed(116)
21 np.random.shuffle(y_data)
22 tf.random.set_seed(116)
23
24
25 # 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
26 x_train = x_data[:-30]
27 y_train = y_data[:-30]
28 x_test = x_data[-30:]
29 y_test = y_data[-30:]
30
31
32 # 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
33 x_train = tf.cast(x_train, tf.float32)
34 x_test = tf.cast(x_test, tf.float32)
35
36
37
38 # 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）
39 train_db = tf.data.Dataset.from_tensor_slices((x_train, y_train)).batch(32)
40 test_db = tf.data.Dataset.from_tensor_slices((x_test, y_test)).batch(32)
41
42
43 # 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
44 # 用tf.Variable()标记参数可训练
45 # 使用seed使每次生成的随机数相同
46 w1 = tf.Variable(tf.random.truncated_normal([4, 3], stddev=0.1, seed=1))
47 b1 = tf.Variable(tf.random.truncated_normal([3], stddev=0.1, seed=1))
48
49
50 lr = 0.1 # 学习率为0.1
51 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
52 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
53 epoch = 500 # 循环500轮
54 loss_all = 0 # 每轮分4个step，loss_all记录四个step生成的4个loss的和
55
56
57 v_w, v_b = 0, 0
58 beta = 0.9
59
60
61 #训练部分
62 now_time = time.time()
63 for epoch in range(epoch):# 数据集级别的循环，每个epoch循环一次数据集
64 for step, (x_train, y_train) in enumerate(train_db): # batch级别的循环 ，每个step循环一个batch
65 with tf.GradientTape() as tape:# with结构记录梯度信息
66 y = tf.matmul(x_train, w1) + b1
67 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）
68 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
69 loss = tf.reduce_mean(tf.square(y_ - y))
70 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
71 #计算loss对各个参数的梯度
72 grads = tape.gradient(loss, [w1, b1])
73
74 #rmsprop
75 v_w = beta * v_w + (1 - beta) * tf.square(grads[0])
76 v_b = beta * v_b + (1 - beta) * tf.square(grads[1])
77 w1.assign_sub(lr * grads[0] / tf.sqrt(v_w))
78 b1.assign_sub(lr * grads[1] / tf.sqrt(v_b))
79
80
81 # 每个epoch，打印loss信息
82 if epoch%20 == 0:
83 print("Epoch {}, loss: {}".format(epoch, loss_all/4))
84 train_loss_results.append(loss_all/4) # 将4个step的loss求平均记录在此变量中
85 loss_all = 0 # loss_all归零，为记录下一个epoch的loss做准备
86
87 #测试部分
88 # 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
89 total_correct, total_number = 0, 0
90 for x_test, y_test in test_db:
91 # 使用更新后的参数进行预测
92 y = tf.matmul(x_test, w1) + b1
93 y = tf.nn.softmax(y)
94 pred = tf.argmax(y, axis =1) # 返回y中最大值的索引，即预测的分类
95 # 将pred转换为y_test的数据类型
96 pred = tf.cast(pred, dtype = y_test.dtype)
97 # 若分类正确，则correct=1，否则为0，将bool型的结果转换为int型
98 correct = tf.cast(tf.equal(pred, y_test), dtype=tf.int32)
99 # 将每个batch的correct数加起来
100 correct = tf.reduce_sum(correct)
101 # 将所有batch中的correct数加起来
102 total_correct += int(correct)
103 # 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
104 total_number += x_test.shape[0]
105
106 # 总的准确率等于total_correct/total_number
107 acc = total_correct / total_number
108 test_acc.append(acc)
109 if epoch%20 == 0:
110 print("Test_acc:", acc)
111 print("------------------------------")
112
113 total_time = time.time() - now_time
114 print("total_time", total_time)
115
116
117
118 # 绘制 loss 曲线
119 plt.title("Loss Function Curve")
120 plt.xlabel("Epoch")
121 plt.ylabel("Loss")
122 plt.plot(train_loss_results, label="$Loss$")
123 plt.legend()
124 plt.show()
125
126
127 # 绘制 Accuracy 曲线
128 plt.title("Acc Curve")
129 plt.xlabel("Epoch")
130 plt.ylabel("Acc")
131 plt.plot(test_acc, label="$Accuracy$")
132 plt.legend()
133 plt.show()
