【深度学习】鸢尾花分类代码及实现

视频链接：https://www.bilibili.com/video/BV1B7411L7Qt/?p=8&spm_id_from=pageDriver&vd_source=91c56b2745a5b892c273f637afde8f44

# -*- 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 # 可以下载鸢尾花数据集合 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) # 作用就是重新排序返回一个随机序列作用类似洗牌 np.random.seed(116) np.random.shuffle(y_data) tf.random.set_seed(116) # 设置全局种子 # 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） # batch(32) 表示每32个输入特征和标签对为一组batch，以batch为单位投喂到神经网络中 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 """ # 数据集级别的循环，每个epoch循环一次数据集 for epoch in range(epoch): # batch级别的循环 ，每个step循环一个batch for step, (x_train, y_train) in enumerate(train_db): with 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accuracy loss = 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（偏导数） grads = tape.gradient(loss, [w1, b1]) # 实现梯度更新 w1 = w1 - lr * w1_grad b = b - lr * b_grad w1.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 # 4 ：训练集是120组数据，而batch为32组，故4次才能循环完毕 print("Epoch {}, loss: {}".format(epoch+1, 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0 total_correct, total_number = 0, 0 # 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: # 使用更新后的参数进行预测 # 计算前向传播的预测结果，y 为预测结果 y = tf.matmul(x_test, w1) + b1 # 使 y 符合概率分布 y = tf.nn.softmax(y) # 返回y中最大值的索引，即预测的分类 pred = tf.argmax(y, axis=1) # 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_number acc = total_correct / total_number test_acc.append(acc) print("Test_acc:", acc) print("--------------------------") """ 绘图 """ # 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 train_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 # 结论：随着 epoch 遍历次数的增加，损失函数 loss 的值在逐渐减小，表明准确率在逐渐增加 # 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() # 结论：随着 epoch 遍历次数的增加，准确率在逐渐增加

结果：
（1）loss （损失函数）曲线：

（2）Accuracy （准确率）曲线：

相关知识

卷积神经网络实现鸢尾花数据分类python代码实现
深度学习入门——基于TensorFlow的鸢尾花分类实现（TensorFlow
【机器学习】基于KNN算法实现鸢尾花数据集的分类
基于机器学习的鸢尾花数据集的三分类算法的实现 C++
【机器学习】KNN算法实现鸢尾花分类
神经网络与深度学习（五）前馈神经网络（3）鸢尾花分类
机器学习（三）：感知器算法实现鸢尾花分类项目实战
TensorFlow使用BP神经网络实现鸢尾花分类
Python原生代码实现KNN算法（鸢尾花数据集）
python深度学习之用lightgbm算法实现鸢尾花种类的分类任务实战源码

网址: 【深度学习】鸢尾花分类代码及实现 https://www.huajiangbk.com/newsview1008738.html