第一讲-tensorflow搭建完整的神经网络步骤（附完整代码）

目标：神经网络实现鸢尾花分类问题

搭建神经网络步骤：准备数据--》搭建网络--》参数优化 ---》测试效果 ---》 Acc/loss可视化

准备数据

数据集读入
数据集乱序
生成不相交的训练集和测试集
配成（输入特征，标签）对，每次读入一小撮（batch）

搭建网络

定义神经网络中所有可训练参数

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

计算当前参数前向传播后的准确率，显示当前acc

Acc/loss可视化

下面是一个搭建神经网络实现鸢尾花分类的完整代码：

# -*- coding: UTF-8 -*-
# 利用鸢尾花数据集，实现前向传播、反向传播，可视化loss曲线# 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计算的loss累加，为后续求loss平均值提供数据，这样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()

执行结果：

运行结果：
Epoch 0, loss: 0.2821310982108116
Test_acc: 0.16666666666666666
--------------------------------------
Epoch 1, loss: 0.25459614023566246
Test_acc: 0.16666666666666666
--------------------------------------
Epoch 2, loss: 0.22570250183343887
Test_acc: 0.16666666666666666
--------------------------------------
Epoch 3, loss: 0.21028400212526321
Test_acc: 0.16666666666666666
--------------------------------------
Epoch 4, loss: 0.19942265003919601
Test_acc: 0.16666666666666666
--------------------------------------
Epoch 5, loss: 0.18873638287186623
Test_acc: 0.5
--------------------------------------
。。。
。。。Epoch 498, loss: 0.03232627175748348
Test_acc: 1.0
--------------------------
Epoch 499, loss: 0.0323002771474421
Test_acc: 1.0
--------------------------

可视化结果：

第一讲-tensorflow搭建完整的神经网络步骤（附完整代码）相关推荐

AI生成二维码Stable diffusion生成可识别二维码【附完整教程】【附完整案例】
前言最近的炫酷QR比较火,所以今天给大家分享一下如何实现.首先我们知道QR二维码已经改变了信息的共享和获取方式.但是,QR码的视觉外观可能并不总是符合设计或艺术品的美学要求.为了解决这个问题,Con ...
[Minecraft]基于Forge的1.8.9MOD开发教程——第一讲：搭建开发环境
(第一次写教程,有点小紧张呢..) 作者的话我一开始学习MOD开发时,也曾在各大网站搜索过一些教程,感觉国内的MOD开发教程是真心的少:CSDN没找到,优酷.爱奇艺.腾讯.B站也几乎没有(除了优酷的 ...
从零开始的三维激光雷达SLAM教程第一讲（搭建运行环境，并跑Kitti数据集）
文章目录引言第一节:运行xx-LOAM与数据集编译A-LOAM 安装ceres(最小二乘求解库) 安装pcl(最常见的点云处理库) 安装OPENCV catkin_make 制作Kitti数据集 ...
python 神经网络_推荐：用Python实现神经网络（附完整代码）！
Datawhale干货作者:[美]霍布森·莱恩,科尔·霍华德在学习神经网络之前,我们需要对神经网络底层先做一个基本的了解.我们将在本节介绍感知机.反向传播算法以及多种梯度下降法以给大家一个全面 ...
用Python实现神经网络（附完整代码）！
↑↑↑关注后"星标"Datawhale 每日干货 & 每月组队学习,不错过 Datawhale干货作者:[美]霍布森·莱恩,科尔·霍华德在学习神经网络之前,我们需要对神 ...
C++Adaline自适应线性神经网络算法(附完整源码)
C++Adaline自适应线性神经网络算法 C++Adaline自适应线性神经网络算法完整源码(定义,实现,main函数测试) C++Adaline自适应线性神经网络算法完整源码(定义,实现,main ...
【Matlab】基于MNIST数据集的图像识别（深度学习入门、卷积神经网络、附完整学习资料）
Matlab--数字0~9的图像识别(Phil Kim著.Matlab) 本文可以为那些想对深度学习和人工智能有初步了解的朋友提供一些基础入门的帮助. 本文所用参考书: <MATLAB深度学习 ...
实战篇：如何用Keras建立神经网络（附全部代码）
摘要: 机器学习实战篇:用简单的代码打造属于自己的神经网络模型- Keras是目前最受欢迎的深度学习库之一,对人工智能的商业化做出了巨大贡献.它使用起来非常简单,它使你能够通过几行代码就可以构建强大的 ...
bp神经网络预测python代码_机器学习之多层神经网络（附Python代码和数据）
1 引言多层神经网络,Multiple-layers Perceptron (MLP),又被称为多层感知机,是机器学习中深度学习的典型算法.关于多层神经网络的算法原理,我们在Stata和R实现的文章 ...

第一讲-tensorflow搭建完整的神经网络步骤（附完整代码）

第一讲-tensorflow搭建完整的神经网络步骤（附完整代码）相关推荐

最新文章

热门文章