2021-04-11

鸢尾花数据集读入

从sklearn包datasets读入数据集，语法为：

from sklearn.datasets import load_iris
x_data=datasets.load_iris().data  #返回iris数据集所有输入特征
y_data=datasets.load_iris().target  #返回iris数据集所有标签

将数据变成表格形式
需要引：

import pandas as pd

x=DataFrame(x,columns=['','','',''])  #引号里内容为其标签
pd.set_option('display.unicode.east_asian_width',Ture)

如需插入列标签

x['列标签名称']=y  #数据为y

神经网络实现鸢尾花分类

准备数据

• 数据集读入
• 数据集乱序
• 生成训练集和测试集（既x_train/y_train,x_test/y_test）
• 配成（输入特征，标签）每次读入一小撮（batch）

搭建网络

• 定义神经网络所有可训练参数

参数优化

• 嵌套循环迭代，with结构更新参数，显示当前loss

测试效果

• 计算当前参数向前传播后的准确率，显示当前acc

acc/loss可视化

• 准确率acc与损失函数loss的变化曲线图

数据集读入

从sklearn包datasets读入数据集：

form sklearn.datasets import datasets
x_data=datasets.load_iris().data  #返回iris数据集所有输入特征
y_data=datasets.load_iris().target  #返回iris数据集所有标签

数据集乱序

np.random.seed(116)#使用相同的seed，使输入特征/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)

数据集分出永不相见的训练集和测试集

x_train=x_data[:-30]
y_train=y_data[:-30]
x_test=x_data[-30:]
x_test=x_data[-30:]

配成[输入特征，标签]对，每次喂入一小撮（batch）

train_dbtf.dataDataset.form_tensor_slices((x_train,y_train)).batch(32)
train_dbtf.dataDataset.form_tensor_slices((x_test,y_test)).batch(32)

定义神经网络所有可训练参数

w1=tf.Variable(tf.random.truncated_normal)([4,3],stddev=0.1,seed=1)  #指输入特征为四个，输出节点等于分类数为三，参数w1为四行三列的张量
b1=tf.Variable(tf.random.truncated_normal[3],stddev=0.1,seed=1)#b1必须与w1 的输出节点数相同

嵌套循环迭代，with结构更新参数，显示当前loss

for epoch in range(epoch):  #数据集级别迭代
		for step,(x_train,y_train) in enumerate(train_db):  #batch级别迭代
				with tf.GradientTape() as tape:  #记录梯度信息
				前向传播过程计算y
				计算总loss
			    grads=tape.gradient(loss,[w1,b1])
			    w1.assign_sub(lr*grads[0])
			    b1.assign_sub(lr*grads[1])
			  print("Epoch{}.loss:{}".format(epoch,loss_all/4))

计算当前参数前向传播后的准确率，显示当前acc

for x_test,y_test in test_db:
		y=tf.matmul(h,w)+b #  y为预测结果
		y=tf.nn.somax(y) #  y符合概率分布
		pred=tf.argmax(y,axis=1) #  返回y中最大值的索引，即预测的分类
		pred=tf.cast(pred,dtype=y_test.dtype) #  调整数据类型与标签一致
		correct=tf.cast(tf.equal(pred,y_test),dtype=tf.int32)
		correct=tf.reduce_sum(correct) #  将所有batchdecorrect数加起来
		total_correct+=int(correct) #  将所有batch中的correct数加起来
		total_number+=x_test.shape[0]
acc=total_correct/total_number
print("test_acc:",acc)

acc/loss可视化

plt.title('Acc Curve') #  图片标题
plt.xlabel('Epoch') # x轴名称
plt.ylabel('Acc') #  y轴名称
plt.plot(test_acc,label="$Accuracys$") #  逐点画出test_acc值并连线
plt.legend()
plt.show()