Tensorflow与Keras实现鸢尾花分类对比

目录

前言：

1.1鸢尾花数据集

1.2原生代码实现鸢尾花分类

1.3keras实现鸢尾花分类

开源一个学习tensorflow入门级项目——鸢尾花分类；采用两种方式用于实现：一种是采用tensorflow原生代码进行编写，一种是采用keras模块进行编写；采用python3.9+tensorflow2.10，利用pycharm2022进行编译。

Iris数据集是常用的分类实验数据集，由Fisher, 1936收集整理。Iris也称鸢尾花卉数据集，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。可通过花萼长度，花萼宽度，花瓣长度，花瓣宽度4个属性预测鸢尾花卉属于（Setosa)山鸢尾，(Versicolour)变色鸢尾，(Virginica)维吉尼亚鸢尾三个种类中的哪一类。

采用tensorflow原生代码实现鸢尾花分类，实现过程及代码如下:

# 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 iris为鸢尾花数据集

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，以保大家结果一致）

# 实际中打乱数据并不使用随机种子

# 使用相同的seed，保证输入特征和标签一一对应

np.random.seed(116)

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

# tf.cast()数据类型的强制转换

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 （4输入3输出）

# 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）

# tf.Variable()标记参数可训练

# tf.random.truncated_normal() 生成截断式正态分布的随机数

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))

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 i in range(epoch): # 数据集级别的循环，每个i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batch

with tf.GradientTape() as g: # with结构记录梯度信息

y = tf.matmul(x_train, w1) + b1 # tf.matmul()矩阵乘法 线性模型y=w*x+b

y = tf.nn.softmax(y) # 将张量转换为概率值，让其符合概率分布

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 即实际值减去模型预测的值平方再求平均

loss_all += loss.numpy() # 将每个step计算出的loss累加

# 计算loss对各个参数的梯度

grads = g.gradient(loss, [w1, b1])

# 实现梯度更新 w1 = w1 - lr * w1_grad b = b - lr * b_grad (本质就是SGD)

w1.assign_sub(lr * grads[0]) # 参数w1自更新

b1.assign_sub(lr * grads[1]) # 参数b1自更新

# 每循环一轮，就打印一次loss信息

print("Epoch {}, loss: {}".format(i, loss_all))

train_loss_results.append(loss_all)

loss_all = 0 # loss_all归零，为记录下一个epoch循环的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

for 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) + b1

y = 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，横向最大值

# 将pred转换为y_test的数据类型 tf.cast()进行数据类型的强制转换

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()

经过运行，得到训练集损失率图像1.1，测试集准确率图像1.2。从图1.1中我们可以看到随着训练轮数的不断增大，损失在不断减小；从图1.2中我们可以看到随着训练轮数的不断增大，测试集准确率不断增大，最后能够达到100%。

 图1.1 训练集损失率

 图1.2测试集准确率

调用tensorflow中的keras模块实现鸢尾花分类，实现过程及代码如下:

# 导入相关模块

import tensorflow as tf

from matplotlib import pyplot as plt

from sklearn import datasets

import numpy as np

# 导入输入特征和标签

x_train = datasets.load_iris().data

y_train = datasets.load_iris().target

# 测试集从训练集中按比例划分

# 数据集乱序

np.random.seed(116)

np.random.shuffle(x_train)

np.random.seed(116)

np.random.shuffle(y_train)

tf.random.set_seed(116)

# 搭建网络结构

model = tf.keras.models.Sequential([

tf.keras.layers.Dense(3, activation='softmax')

])

# 配置训练方法

model.compile(optimizer=tf.keras.optimizers.SGD(learning_rate=0.1), # 优化器SGD

loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),

# 分类问题损失函数用交叉熵，因为使用了softmax所以使用False

metrics=['sparse_categorical_accuracy']

# metrics 网络评测指标 当模型输出为概率分布，标签为数值时，metrics用sparse_categorical_accuracy

)

# 执行训练过程

# validation_split 告知训练集的多少比例给测试集

# validation_freq 多少次epoch验证一次结果

history = model.fit(x=x_train, y=y_train, batch_size=32, epochs=500, validation_split=0.2, validation_freq=20)

# 打印网络结构和参数统计

model.summary()

# 显示训练集loss曲线 测试集acc曲线

# history.history可以获得loss和acc数据

loss = history.history['loss']

val_acc = history.history['val_sparse_categorical_accuracy']

plt.plot(loss, label='Training Loss')

plt.title('Training Loss')

plt.legend()

plt.show()

plt.plot(val_acc, label='Validation Accuracy')

plt.title('Validation Accuracy')

plt.legend()

plt.show()

通过观察代码，我们可以发现采用keras模块编写的代码要比tensorflow原生代码简洁了很多，这是因为keras是tensorflow重要的集成模块，它将许多操作进行了封装，想要使用的时候直接调用就可以了。

经过运行，得到训练集损失率图像1.3，测试集准确率图像1.4。从图1.3中我们可以看到随着训练轮数的不断增大，损失在不断减小；从图1.4中我们可以看到随着训练轮数的不断增大，测试集准确率不断增大，最后能够达到100%。

  图1.3 训练集损失率

  图1.4测试集准确率

相关知识

深度学习入门——基于TensorFlow的鸢尾花分类实现（TensorFlow
基于TensorFlow实现LSTM的鸢尾花数据分类
TensorFlow学习记录（八）
深度学习TensorFlow 线性分类案例鸢尾花分类
TensorFlow 2建立神经网络分类模型——以iris数据为例
TensorFlow使用BP神经网络实现鸢尾花分类
利用keras框架实现鸢尾花的识别
神经网络分类鸢尾花数据与可视化展示
python 使用Tensorflow训练BP神经网络实现鸢尾花分类
Tensorflow鸢尾花分类（数据加载与特征处理）

网址: Tensorflow与Keras实现鸢尾花分类对比 https://www.huajiangbk.com/newsview1842684.html