鸢尾花分类-Tensorflow2入门

TensorFlow实现神经网络模型的一般流程

1. 准备数据

2. 定义模型

3. 训练模型

4. 评估模型

5. 使用模型

6. 保存模型

对我这样的新手来说，最困难的部分实际上是准备数据的过程。

利用Tensorflow2来实现简单的鸢尾花分类任务

一、准备数据

1. 导入数据

鸢尾花数据集是sklearn中的自带的数据集，只需要导入sklearn的datasets

from sklearn import datasets

x_data = datasets.load_iris().data
y_data = datasets.load_iris().target

datasets.load_iris()是datasets模块中的一个函数，用于加载鸢尾花数据集。它返回一个包含特征数据和目标数据的对象，通过调用返回的对象的data属性，可以获取鸢尾花数据集的特征数据。这些特征数据通常是一个二维数组，每一行表示一个样本，每一列表示一个特征。通过调用返回的对象的target属性，可以获取鸢尾花数据集的目标数据。目标数据通常是一个一维数组，表示每个样本所属的类别或标签。

2. 打乱数据集

官方给出的数据集是有顺序的，所以需要打乱数据集顺序，避免陷入局部最优解，可以获得更高的分类准确率。

np.random.seed(1)
np.random.shuffle(x_data)
np.random.seed(1)
np.random.shuffle(y_data)

其中np.random.seed(1)用于设置随机数种子，目的是保证数据和标签被随机打乱顺序后依然是对应的

3.拆分训练数据和测试数据

接下来拆分数据集和训练集，鸢尾花数据集总共150组数据，指定前120组数据为训练集，剩余的30组数据为测试集，通常训练集大小为总数据集大小的60%到70%

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

列表截取的完整语法是[start:stop:step]，其中：

• start：表示切片的起始位置（包含该位置的元素），默认为0，即从序列的开头开始
• stop：表示切片的结束位置（不包含该位置的元素），默认为序列的长度
• step：表示切片的步长（即每次取元素的间隔），默认为1

4.强制类型转换

tensorflow中一般默认数据类型为float32，但是读入的数据可能不是，所以做一下强制类型转换，保证数据的类型统一

x_train = tf.cast(x_train,tf.float32)
x_test = tf.cast(x_test,tf.float32)

5.创建TensorFlow需要的数据集

创建TensorFlow数据集对象，并且设置了每个批次的大小为32，以便在模型训练和测试过程中进行批量处理

# 匹配输入特征还有标签batch为喂入神经神经网络每组数据大小
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)

二、搭建神经网络

1.创建变量

'''
搭建神经网络，4个特征值，输入层为4个神经元；3分类，所以输出层为3个神经元
seed保证生成的随机数相同，实际项目不需要
Variable标记训练参数
'''
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))

tf.random.truncated_normal() 函数用于生成一个指定形状的张量，其中的值是从截断正态分布中随机采样得到的，stddev=0.1 表示生成的随机值的标准差为 0.1，[4, 3] 表示张量的形状，表示一个 4x3 的矩阵，这段代码使用TensorFlow创建了两个变量 w1 和 b1，并初始化它们的值。通过以上代码，创建了两个变量 w1 和 b1，并将它们初始化为从截断正态分布中随机生成的值。这些变量可以在神经网络模型中用作权重和偏置，用于进行正向传播和反向传播的计算。

2.设置学习参数

lr = 0.1 #学习率
train_loss_result = [] #记录每轮训练之后的loss
test_acc = [] #模型准确度
epoch = 500 #每轮训练次数
loss_all = 0 #每轮分为4step，记录四个step生成的4个loss

3.训练神经网络

for epoch in range(epoch): #每个epoch遍历一次数据集
    for step,(x_train,y_train) in enumerate(train_db): #batch级别循环，每个step循环一个batch
        with tf.GradientTape() as tape: #梯度下降求得参数值
            y = tf.matmul(x_train,w1) + b1 #函数表达式 y = xw + b
            y = tf.nn.softmax(y)#使输出符合概率分布
            y_ = tf.one_hot(y_train,depth = 3)#将标签转化为独热码，方便求loss和accuracy
            loss = tf.reduce_mean(tf.square(y_-y))#采用均方误差损失函数mes = mean(sum(y-out)^2)
            loss_all += loss.numpy()#将每个step计算得出的loss累加，为后续求loss平均值提供数据
        #计算w1和b1梯度
        grads = tape.gradient(loss,[w1,b1])
        #更新梯度
        w1.assign_sub(lr*grads[0])
        b1.assign_sub(lr*grads[1])
    #每个epoch打印下loss
    print("Epoch: {},loss: {}".format(epoch,loss_all/4))
    #保存每个step的平均值
    train_loss_result.append(loss_all/4)