BP神经网络进行分类任务
BP(Back Propagation)神经网络是一种按误差逆传播算法训练的多层前馈网络,它的学习规则是使用梯度下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层(input)、隐层(hiddenlayer)和输出层(output layer)。BP网络的学习过程,由信息的正向传播和误差的反向传播两个过程组成。
BP神经网络示意图
下面以鸢尾花数据集为例,使用pytorch实现BP神经网络:
1 鸢尾花数据介绍Iris 鸢尾花数据集是一个经典数据集,在统计学习和机器学习领域都经常被用作示例。数据集内包含 3 类共 150 条记录,每类各 50 个数据,每条记录都有 4 项特征:花萼长度、花萼宽度、花瓣长度、花瓣宽度,通过这4个特征预测鸢尾花卉属于(iris-setosa, iris-versicolour, iris-virginica)中的哪一品种。
2 超参数设置超参数无法通过训练得到,只能经验给定,或遍历求最佳组合。
lr = 0.02 #学习率
epochs = 300
n_feature = 4 # 输入特征(鸢尾花四个特征)
n_hidden = 20 # 隐含层
n_output = 3 # 输出(鸢尾花三种类别)
3 数据准备将数据分类训练集(80%)和测试集(20%),训练集训练得到网络的权重,测试集评估网络的泛化误差。对数据进行归一化,测试集的数据归一化必须使用训练集上得到的最大最小值。最后将数据转化为Tensor类型,以便能够进行训练。
iris = datasets.load_iris() # 下载并导入数据
# 划分数据集和测试集
x_train0, x_test0,y_train,y_test = train_test_split(iris.data,iris.target,test_size=0.2,random_state= 22)
# 归一化
x_train = np.zeros(np.shape(x_train0))
x_test = np.zeros(np.shape(x_test0 ))
for i in range(4):xMax = np.max(x_train0[:,i])xMin = np.min(x_train0[:,i])x_train[:,i] = (x_train0[:,i] - xMin)/(xMax - xMin)x_test[:,i] = (x_test0[:,i] - xMin)/(xMax - xMin)
# 数据类型转换为tensor
x_train = torch.FloatTensor(x_train)
y_train = torch.LongTensor (y_train)
x_test = torch.FloatTensor(x_test )
y_test = torch.LongTensor (y_test )
4 定义BP神经网络定义三层神经网络,即1输入层,1隐含层,1输出层,激活函数使用softmax。
class bpnnModel(torch.nn.Module):
def __init__(self, n_feature, n_hidden, n_output):super(bpnnModel, self).__init__()self.hidden = torch.nn.Linear(n_feature, n_hidden) # 定义隐藏层网络self.out = torch.nn.Linear(n_hidden, n_output) # 定义输出层网络
def forward(self, x):x = Fun.relu(self.hidden(x)) # 隐藏层的激活函数,采用relu,也可以采用sigmod,tanhout = Fun.softmax(self.out(x), dim=1) # 输出层softmax激活函数
return out
5 定义优化器损失函数优化器使用Adam,损失函数使用交叉熵(对于分类问题常用)。
net = bpnnModel(n_feature=n_feature, n_hidden=n_hidden, n_output=n_output)
optimizer = torch.optim.Adam(net.parameters(), lr=lr) # 优化器选用随机梯度下降方式
loss_func = torch.nn.CrossEntropyLoss() # 对于多分类一般采用的交叉熵损失函数
6 训练和测试此过程即循环epochs=300遍,每一次循环都遍历训练集的全部数据,并通过误差反向传播更新权重。
loss_steps = np.zeros(epochs) # 保存每一轮epoch的损失函数值
accuracy_steps = np.zeros(epochs) # 保存每一轮epoch的在测试集上的精度
for epoch in range(epochs):y_pred = net(x_train) # 前向过程loss = loss_func(y_pred, y_train) # 输出与label对比optimizer.zero_grad() # 梯度清零loss.backward() # 反向传播optimizer.step() # 使用梯度优化器loss_steps[epoch] = loss.item() # 保存loss# 下面计算测试机的精度,不需要求梯度
with torch.no_grad(): y_pred = net(x_test) # 测试集预测correct = (torch.argmax(y_pred, dim=1) == y_test).type(torch.FloatTensor)accuracy_steps[epoch] = correct.mean() # 测试集精度
print("测试集莺尾花预测准确率",accuracy_steps[-1])
损失函数和精度曲线,训练开始,随着损失函数降低,测试集上的精度也在不断降低,但是训练在100轮以后,基本不再提升。
以下为全部代码:
import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets
from sklearn.model_selection import train_test_split #引入训练集、测试集划分函数
import torchimport torch.nn.functional as Fun# 0. 超参数设置
lr = 0.02
epochs = 300
n_feature = 4
n_hidden = 20
n_output = 3# 1. 数据准备
iris = datasets.load_iris()
x_train0, x_test0,y_train,y_test = train_test_split(iris.data,iris.target,test_size=0.2,random_state= 22)
x_train = np.zeros(np.shape(x_train0))
x_test = np.zeros(np.shape(x_test0 ))
for i in range(4): xMax = np.max(x_train0[:,i]) xMin = np.min(x_train0[:,i]) x_train[:,i] = (x_train0[:,i] - xMin)/(xMax - xMin) x_test[:,i] = (x_test0[:,i] - xMin)/(xMax - xMin)
x_train = torch.FloatTensor(x_train)
y_train = torch.LongTensor(y_train)
x_test = torch.FloatTensor(x_test )
y_test = torch.LongTensor(y_test )# 2. 定义BP神经网络
class bpnnModel(torch.nn.Module):
def __init__(self, n_feature, n_hidden, n_output): super(bpnnModel, self).__init__() self.hidden = torch.nn.Linear(n_feature, n_hidden) # 定义隐藏层网络 self.out = torch.nn.Linear(n_hidden, n_output) # 定义输出层网络
def forward(self, x): x = Fun.relu(self.hidden(x))# 隐藏层的激活函数,采用relu,也可以采用sigmod,tanh out = Fun.softmax(self.out(x), dim=1) # 输出层softmax激活函数
return out# 3. 定义优化器损失函数
net = bpnnModel(n_feature=n_feature, n_hidden=n_hidden, n_output=n_output)
optimizer = torch.optim.Adam(net.parameters(), lr=lr) # 优化器选用随机梯度下降方式
loss_func = torch.nn.CrossEntropyLoss() # 对于多分类一般采用的交叉熵损失函数# 4. 训练数据
loss_steps = np.zeros(epochs)
accuracy_steps = np.zeros(epochs)
for epoch in range(epochs): y_pred = net(x_train) # 前向过程 loss = loss_func(y_pred, y_train) # 输出与label对比 optimizer.zero_grad() # 梯度清零 loss.backward() # 反向传播 optimizer.step() # 使用梯度优化器 loss_steps[epoch] = loss.item() # 保存loss
with torch.no_grad(): y_pred = net(x_test) correct = (torch.argmax(y_pred, dim=1) == y_test).type(torch.FloatTensor) accuracy_steps[epoch] = correct.mean()
print("测试集莺尾花预测准确率",accuracy_steps[-1])# 5 绘制损失函数和精度
fig_name = 'Iris_dataset_classify_BPNN'
fontsize = 15
fig, (ax1, ax2) = plt.subplots(2, figsize=(15, 12), sharex=True)
x1.plot(accuracy_steps)
ax1.set_ylabel("test accuracy", fontsize=fontsize)
ax1.set_title(fig_name, fontsize='xx-large')
ax2.plot(loss_steps)
ax2.set_ylabel("train loss", fontsize=fontsize)
ax2.set_xlabel("epochs", fontsize=fontsize)
plt.tight_layout()
plt.savefig(fig_name+'.png')
plt.show()
参考:
https://www.jianshu.com/p/52b86c774b0b
文章来源:气海同途公众号水文、生态、遥感、人工智能、大气等方向视频教程汇总https://mp.weixin.qq.com/s?__biz=MzUzMTczMDMwMw==&mid=2247500552&idx=4&sn=0d68a31fcdac77b47f1aec2c04e65f78&chksm=fabc9918cdcb100e706da62a720d2343106238ca2fc4a4aac001bad3e01d066d1355284fa6bd&token=1597410074&lang=zh_CN#rd
BP神经网络进行分类任务相关推荐
- bp 神经网络 优点 不足_【学术论文】基于灰度共生矩阵和BP神经网络的乳腺肿瘤识别...
摘要 乳腺肿瘤是女性病发率极高的一种肿瘤疾病, 但也是一种可以通过早期确诊.提早治疗来降低病死率的一种疾病.提出灰度共生矩阵结合BP神经网络的方法, 提高乳腺肿瘤的识别率.首先将红外乳腺图像进行预处理 ...
- 遗传算法之优化BP神经网络
GA算法优化BP神经网络(matlab) 这里我首先要介绍一下BP神经网络的一些特点,因为在以下的编程中,我将把这些特点运用在其中,防止大家不知道为什么这样做. 1.bp神经网络的层数一般3层效果较好 ...
- 备战数学建模40-遗传算法优化bp神经网络(攻坚站4)
BP神经网络主要用于预测和分类,对于大样本的数据,BP神经网络的预测效果较佳,BP神经网络包括输入层.输出层和隐含层三层,通过划分训练集和测试集可以完成模型的训练和预测,由于其简单的结构,可调整的参数 ...
- 【车牌识别】基于matlab GUI BP神经网络车牌识别(带面板+语音播报)【含Matlab源码 1220期】
⛄一.BP车牌识别简介(附课程作业报告) 车牌识别系统设计与实现 车牌识别系统主要分为三部分:车牌图像预处理.特征提取以及基于BP神经网络对特征进行训练和分类,流程图如图1所示. 图1 车牌识别系统组 ...
- 【车牌识别】基于matlab GUI BP神经网络车牌识别(带面板)【含Matlab源码 790期】
⛄一.BP车牌识别简介(附课程作业报告) 车牌识别系统设计与实现 车牌识别系统主要分为三部分:车牌图像预处理.特征提取以及基于BP神经网络对特征进行训练和分类,流程图如图1所示. 图1 车牌识别系统组 ...
- BP神经网络对鸢尾花进行分类
题目:BP神经网络分类器 一.实验项目: BP神经网络对鸢尾花进行分类 二.实验目的: 掌握BP神经网络学习算法,利用BP神经网络进行数据分类 三.实验内容: 1.编程实现BP神经网络算法 2.建立三 ...
- 用matlab实现用Bp神经网络对iris数据集进行分类(以及影响分类性能的参数条件)
数据集已上传,结尾链接下载即可!!! 一.实验内容 Iris鸢尾花卉数据集,是一类多重变量分析的数据集.数据集包含150个数据样本,分为3类,每类50个数据,每个数据包含4个属性,分别对应花萼长度,花 ...
- BP神经网络与卷积神经网络(CNN)
BP神经网络与卷积神经网络(CNN) 1.BP神经网络 1.1 神经网络基础 神经网络的基本组成单元是神经元.神经元的通用模型如图 1所示,其中常用的激活函数有阈值函数.sigmoid函数和双曲正 ...
- BP神经网络及matlab实现
本文主要内容包括: (1) 介绍神经网络基本原理,(2) AForge.NET实现前向神经网络的方法,(3) Matlab实现前向神经网络的方法 . 第0节.引例 本文以Fisher的Iris数据集 ...
最新文章
- 属性被分为八大类不包括_乙肝病毒携带者分为几类?主要有5类,包括乙肝表面抗原阳性患者...
- ArcGIS 10.2加载在线影像底图
- Spring Boot 静态资源访问原理解析
- lia人是什么意思_69年属鸡人终身灾难是什么意思
- python设计---空域增强之图片去噪(中值滤波、均值滤波、高斯滤波、双边滤波)
- ES6——let、参数增强、箭头函数、模板字符串、for of和解构
- rmlv出错处理一例
- 辰皇怎么过鸿蒙,诛仙3最厉害的职业是什么 强弱对应原因解析
- cygwin sshd服务启动不了的解决方案(转)
- 2021年中国一次性卫生设备市场趋势报告、技术动态创新及2027年市场预测
- python树结构实现小顶堆_数据结构和算法入门之小顶堆和大顶堆Python实现
- webapi net 直接更改协议头
- vue差(插)值表达式
- 关于trycatchfinal返回值问题
- 基于Golang设计一套微服务架构[转]
- Android获得IMEI和IMSI号
- Vue ElementUI el-button 修改样式
- 12.关于uniapp小程序设置页面背景色无效的问题及解决方案
- POI指定单元格不可编辑
- 【分圆多项式及理想、理想格】