Tensorflow2.0笔记06——扩展方法（本地读取数据集、简易神经网络、优化）
Tensorflow2.0笔记
本博客为Tensorflow2.0学习笔记，感谢北京大学微电子学院曹建老师
5 扩展方法
5.1 本地读取鸢尾花数据集
在这部分我们尝试从本地读取鸢尾花数据集的 txt 文件，并将其输入至神经网络进行训练。鸢尾花数据集的 txt 文件包含内容如图 5.1 所示。
图 5.1 鸢尾花数据集 txt 文件内容
(1) 利用 pandas 中函数读取，并处理成神经网络需要的数据结构，即利用pd.read_csv('文件名'，header=第几行作为表头，sep='分割符号')
(2)利用 open 函数打开 txt 文件，并处理成神经网络需要的数据结构，即利用 open('文件名'，'r')。
利用 pandas 中函数读取方法如下：
df = pd.read_csv('iris.txt',header = None,sep=',') #读取本地文件
data = df.values # 去掉索引并取值
x_data = [lines[0:4] for lines in data] # 取输入特征
x_data = np.array(x_data,float) # 转换为 numpy 格式
y_data = [lines[4] for lines in data] # 取标签
for i in range(len(y_data)):
if y_data[i] == 'Iris-setosa':
y_data[i] = 0
elif y_data[i] == 'Iris-versicolor':
y_data[i] = 1
......
y_data = np.array(y_data)
即通过读取本地文件、取特征输入、取标签并将其转换为规定格式，实现本地数据集的读取。
利用 open 函数读取方法如下：
f = open('iris.txt','r') # 取本地文件
contents = f.readlines() # 按行读取
i=0
for content in contents:
temp = content.split(',') # 按逗号分隔
x_data[i] = np.array([temp[0:4]],dtype=float) # 取输入特征
if temp[4] == 'Iris-setosa\n': # 判断标签并赋值
y_data[i] = 0
elif temp[4] == 'Iris-versicolor\n':
y_data[i] = 1
......
i = i + 1
即通过读取本地文件、分割、取输入特征、取标签，实现本地数据集的读取。
5.2 搭建神经网络
数据集较为简单，可利用简单网络结构进行拟合，仅考虑输入层与输出层， 构建单层神经网络。参数定义如下：
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))
将学习率设置为 0.5，训练后可发现出现梯度爆炸，网络不能有效收敛，训练过程 loss 曲线如图 5.2。
图 5.2 梯度爆炸时 loss 曲线
分析产生梯度爆炸的原因，考虑到使用梯度下降思想时，其计算公式为
参数更新量为学习率与损失函数偏导数相乘，二者乘积过大，则会导致梯度爆炸。因此，解决梯度爆炸问题可针对学习率进行调整，也可对数据进行调整。故解决方法可为：(1)逐步减小学习率，0.1、0.01 等；(2)对数据进行预处理后再输入神经网络，减小偏差值的大小，抑制梯度爆炸，即数据归一化与标准化，其主要方法有线性归一化、非线性归一化、Z-Score 标准化。
线性归一化将数据映射到[0,1]区间中，计算公式如下：
非线性归一化(log 函数转换)使数据映射到[0,1]区间上，计算公式如下：
Z-Score 标准化使每个特征中的数值平均值变为 0，标准差变为 1，计算公式如下：
以线性归一化为例，其代码实现如下：
def normalize(data):
x_data = data.T # 每一列为同一属性，转置到每一行
for i in range(4):
x_data[i] = (x_data[i] - tf.reduce_min(x_data[i])) /
(tf.reduce_max(x_data[i]) - tf.reduce_min(x_data[i]))
return x_data.T # 转置回原格式
5.3优化
做完数据标准化，上述网络已经可以跑通，下面对网络进行部分优化，增加指数衰减学习率，指数衰减学习率可在训练初期赋予网络较大学习率，并在训练过程中逐步减小，可有效增加网络收敛速度，其在 tensorflow 中对应函数为tf.compat.v1.train.exponential_decay(learning_rate_base,global_step,decay_step,deca y_rate,staircase =True(False),name)，当 staircase 为 True 时，学习率呈现阶梯状递减。
做完优化后，对网络进行训练。笔者采用 Z-score 标准化后训练 1000 个 eopch，当 staircase =True 时，其 loss、准确率、学习率曲线如图 5.3 所示。
图 5.3 staircase =True 训练过程准确率曲线
当 staircase =False 时，其 loss、准确率、学习率曲线如图 5.4 所示。
图 5.4 staircase =False 训练过程准确率曲线
