前言

总体来看，一个简单的神经网络，在准备数据和参数定义后就已经被搭建起来了，这便是神经网络的骨架。我们后面补入的参数优化是为了让这个神经网络能够朝着我们希望的方向进行迭代，最后能获取到符合我们预期的参数，如果把整个神经网络闭嘴一个完整的人的话，骨架已经有了，参数优化就附着在上面的皮肉，我们想胖，想瘦即是调整皮下脂肪含量，想胖则Loss function变大，想瘦则Loss function变小（默认精确标签是指向瘦的，毕竟瘦瘦的女孩子更健康不是哈哈哈），可见参数优化与神经网络个性化方向是息息相关的。
我们搭建好了整个有骨有肉的“人”，那他是否就符合人的各项行为特性呢，比如说让我们做出来的这个“人”进行跑步，跳跃这两个属性取一百次测试输入然后输出结果中准确度（精度）有多少呢？这是我们的一个性能度量方式，性能度量的方式（除精度外，错误率、查全率，查准率，F1、ROC和AUC、代价敏感错误率和代价曲线等）有很多，西瓜书上第二章讲解详细可以进行参考。最后对损失与精度的可视化能够看到迭代过程中数据的处理曲线，如果loss一直徘徊在较高的水平而不是趋于零，则本次搭建基本宣告失败了，找明原因，再接再厉，你是最胖哒！

上帝视角看神经网络：

一、准备数据
1.数据集读入
2.数据集乱序
3.生成训练集和测试集（即x_train/y_train，x_test/y_test）
3.配成（输入特征，标签）对，每次读入一小撮（batch）。
二、搭建网络
定义神经网络中所有可训练参数
三、参数优化
嵌套循环迭代，with结构更新参数，显示当前loss
四、测试效果
计算当前参数前向传播后的准确率，显示当前acc
五、loss/acc可视化

细化代码体现

一、准备数据

1.数据集读入（

从sklearn包datasets读入数据：
from 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

）
2.数据集乱序（

np.random.seed(116) //使用相同的seed 使输入特征和标签一一对应
np.random.shuffle(x_data) //shuffle：重新洗牌；把...变化位置；
np.random.seed(116)
np.random.shuffle(y_data)
tf.randomm.set_seed(116)

）
3.生成训练集和测试集（即x_train/y_train，x_test/y_test 永不相见）（

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

）
3.配成（输入特征，标签）对，每次读入一小撮（batch）(

train_db=tf.Dataset.from_tensor_slices((x_train,y_train)).batch(32) #使用from_tensor_slices()把训练集的输入特性和标签配对打包
test_db=tf.Dataset.from_tensor_slices((x_test,y_test)).batch(32) #每32对（输入特性，标签）对打包为一个batch，以batch为单位喂入神经网络

)。

二、搭建网络

定义神经网络中所有可训练参数（

w1= tf.Variable(tf.random.truncated_normal([4,3],stddev=0.1,seed=1)) //输入特征为4，输出节点数=分类数=3
b1= tf.Variable(tf.random.truncated_normal([3],stddev=0.1,seed=1))

）

三、参数优化

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.gredient(loss,[w1,b1])  //对参数w1，b1计算偏导数w1.assign_sub(lr*grads[0])  //参数自更新b1.assign_sub(lr*grads[1])print("Epoch{},loss:{}".formar(epoch,loss_all/4))  //一共120个数据，每次喂入32个，故要喂入4次，将每次求得的loss相加后再求平均得出平均loss

）。

四、测试效果

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.softmax(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batch的correct数加起来total_correct +=int(correct)  //将所有batch中的数加起来total_number+=x_test.shape[0]acc = total_correct / total_numbertest_acc.append(acc)print("Test_acc:", acc)

）。

五、loss/acc可视化

（

这里绘制loss曲线

plt.title('Loss Function Curve')  # 图片标题
plt.xlabel('Epoch')  # x轴变量名称
plt.ylabel('Loss')  # y轴变量名称
plt.plot(train_loss_results, label="$Loss$")  # 逐点画出trian_loss_results值并连线，连线图标是Loss
plt.legend()  # 画出曲线图标
plt.show()  # 画出图像

在这里绘制 Accuracy 曲线

plt.title('Acc Curve')  # 图片标题
plt.xlabel('Epoch')  # x轴变量名称
plt.ylabel('Acc')  # y轴变量名称
plt.plot(test_acc, label="$Accuracy$")  # 逐点画出test_acc值并连线，连线图标是Accuracy
plt.legend()
plt.show()

）。

最后，附整个代码：

# 导入所需模块
import tensorflow as tf
from sklearn import datasets
from matplotlib import pyplot as plt
import numpy as np# 导入数据，分别为输入特征和标签
x_data = datasets.load_iris().data
y_data = datasets.load_iris().target# 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）
# 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）
np.random.seed(116)  # 使用相同的seed，保证输入特征和标签一一对应
np.random.shuffle(x_data)
np.random.seed(116)
np.random.shuffle(y_data)
tf.random.set_seed(116)# 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
x_train = x_data[:-30]
y_train = y_data[:-30]
x_test = x_data[-30:]
y_test = y_data[-30:]# 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
x_train = tf.cast(x_train, tf.float32)
x_test = tf.cast(x_test, tf.float32)# 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）
train_db = tf.data.Dataset.from_tensor_slices((x_train, y_train)).batch(32)
test_db = tf.data.Dataset.from_tensor_slices((x_test, y_test)).batch(32)# 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
# 用tf.Variable()标记参数可训练
# 使用seed使每次生成的随机数相同（方便教学，使大家结果都一致，在现实使用时不写seed）
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))lr = 0.1  # 学习率为0.1
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
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
epoch = 500  # 循环500轮
loss_all = 0  # 每轮分4个step，loss_all记录四个step生成的4个loss的和# 训练部分
for epoch in range(epoch):  #数据集级别的循环，每个epoch循环一次数据集for step, (x_train, y_train) in enumerate(train_db):  #batch级别的循环 ，每个step循环一个batchwith tf.GradientTape() as tape:  # with结构记录梯度信息y = tf.matmul(x_train, w1) + b1  # 神经网络乘加运算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）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accuracyloss = tf.reduce_mean(tf.square(y_ - y))  # 采用均方误差损失函数mse = mean(sum(y-out)^2)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# 计算loss对各个参数的梯度grads = tape.gradient(loss, [w1, b1])# 实现梯度更新 w1 = w1 - lr * w1_grad    b = b - lr * b_gradw1.assign_sub(lr * grads[0])  # 参数w1自更新b1.assign_sub(lr * grads[1])  # 参数b自更新# 每个epoch，打印loss信息print("Epoch {}, loss: {}".format(epoch, loss_all/4))train_loss_results.append(loss_all / 4)  # 将4个step的loss求平均记录在此变量中loss_all = 0  # loss_all归零，为记录下一个epoch的loss做准备# 测试部分# 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0total_correct, total_number = 0, 0for x_test, y_test in test_db:# 使用更新后的参数进行预测y = tf.matmul(x_test, w1) + b1y = tf.nn.softmax(y)pred = tf.argmax(y, axis=1)  # 返回y中最大值的索引，即预测的分类# 将pred转换为y_test的数据类型pred = tf.cast(pred, dtype=y_test.dtype)# 若分类正确，则correct=1，否则为0，将bool型的结果转换为int型correct = tf.cast(tf.equal(pred, y_test), dtype=tf.int32)# 将每个batch的correct数加起来correct = tf.reduce_sum(correct)# 将所有batch中的correct数加起来total_correct += int(correct)# 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total_number += x_test.shape[0]# 总的准确率等于total_correct/total_numberacc = total_correct / total_numbertest_acc.append(acc)print("Test_acc:", acc)print("--------------------------")# 绘制 loss 曲线
plt.title('Loss Function Curve')  # 图片标题
plt.xlabel('Epoch')  # x轴变量名称
plt.ylabel('Loss')  # y轴变量名称
plt.plot(train_loss_results, label="$Loss$")  # 逐点画出trian_loss_results值并连线，连线图标是Loss
plt.legend()  # 画出曲线图标
plt.show()  # 画出图像# 绘制 Accuracy 曲线
plt.title('Acc Curve')  # 图片标题
plt.xlabel('Epoch')  # x轴变量名称
plt.ylabel('Acc')  # y轴变量名称
plt.plot(test_acc, label="$Accuracy$")  # 逐点画出test_acc值并连线，连线图标是Accuracy
plt.legend()
plt.show()

到这里就全部结束啦，奇妙的深度学习，我们一起加油！！

转载请表明来处，谢谢。

刚刚涉足神经网络，基于TensorFlow2.0以实现鸢尾花分类为例总结神经网络代码实现的几个步骤，附代码详细讲解相关推荐

深度学习之基于Tensorflow2.0实现AlexNet网络
在之前的实验中,一直是自己搭建或者是迁移学习进行物体识别,但是没有对某一个网络进行详细的研究,正好人工智能课需要按组上去展示成果,借此机会实现一下比较经典的网络,为以后的研究学习打下基础.本次基于Te ...
TensorFlow2.0 学习笔记（三）：卷积神经网络（CNN）
欢迎关注WX公众号:[程序员管小亮] 专栏--TensorFlow学习笔记文章目录欢迎关注WX公众号:[程序员管小亮] 专栏--TensorFlow学习笔记一.神经网络的基本单位:神经元二.卷 ...
深度学习之基于Tensorflow2.0实现ResNet50网络
理论上讲,当网络层数加深时,网络的性能会变强,而实际上,在不断的加深网络层数后,分类性能不会提高,而是会导致网络收敛更缓慢,准确率也随着降低.利用数据增强等方法抑制过拟合后,准确率也不会得到提高,出现 ...
基于tensorflow2.0+CNN实现手势识别(全)
基于tensorflow2.0+CNN实现手势识别环境:windows10.pycharm2017.python3.64.tensorflow2.0.opencv3 我在github上分享了代码以及 ...
【Python深度学习】基于Tensorflow2.0构建CNN模型尝试分类音乐类型(二)
前情提要基于上文所说基于Tensorflow2.0构建CNN模型尝试分类音乐类型(一) 我用tf2.0和Python3.7复现了一个基于CNN做音乐分类器.用余弦相似度评估距离的一个音乐推荐模型. ...
基于TensorFlow2.0的摄像头数字识别
import numpy as np import cv2 from skimage import data, segmentation, measure, morphology, color imp ...
基于tensorflow2.0+opencv的花卉识别系统源码（含数据集）
花卉识别-基于tensorflow2.3实现完整代码下载地址:基于tensorflow2.0+opencv的花卉识别系统源码( 文件目录 # 数据下载地址 https://storage.googl ...
基于PaddlePaddle2.0的蝴蝶图像识别分类
基于PaddlePaddle2.0的蝴蝶图像识别分类--利用预训练残差网络ResNet101模型分类资源来源如下: https://aistudio.baidu.com/aistudio/educa ...
基于K-最近邻算法构建鸢尾花分类模型
基于K-最近邻算法构建鸢尾花分类模型一任务描述鸢尾花(Iris)数据集是机器学习中一个经典的数据集.假设有一名植物学爱好者收集了150朵鸢尾花的测量数据:花瓣的长度和宽度以及花萼的长度和宽度,这 ...

刚刚涉足神经网络，基于TensorFlow2.0以实现鸢尾花分类为例总结神经网络代码实现的几个步骤，附代码详细讲解

前言