第二讲 神经网络优化--RSMProp
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()