[python] 深度学习基础

人工神经网络实现鸢尾花分类(一)

人工神经网络实现鸢尾花分类(二)

人工神经网络实现鸢尾花分类(三)

人工神经网络实现鸢尾花分类(四)

人工神经网络实现鸢尾花分类(五)

本文主要写人工神经网络实现鸢尾花分类代码部分

使用的是Kaggle: Your Machine Learning and Data Science Community在线编译器

本代码属于自己造螺丝类，写的很细，没用神经网络不必要的函数即相关模块。相对较为复杂。

下篇文章会写道利用模块和自带函数实现鸢尾花分类。相对简单很多。

目录

本文主要写人工神经网络实现鸢尾花分类代码部分

鸢尾花数据集（Iris）

 主要分为六大块

导入所需模块

准备数据

数据集读入

数据集乱序

生成训练集和测试集（即 x_train / y_train）

配成 （输入特征，标签） 对，每次读入一小撮（batch）

搭建网络

定义神经网路中所有可训练参数

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

acc / loss可视化

输出结果

鸢尾花数据集（Iris）

 主要分为六大块

导入包-->准备数据-->搭建网络-->参数优化-->测试效果-->可视化

导入所需模块

import tensorflow as tf

from sklearn import datasets

from matplotlib import pyplot as plt

import numpy as np

准备数据

x_data = datasets.load_iris().data

y_data = datasets.load_iris().target

np.random.seed(116)  

np.random.shuffle(x_data)

np.random.seed(116)

np.random.shuffle(y_data)

tf.random.set_seed(116)

x_train = x_data[:-30]

y_train = y_data[:-30]

x_test = x_data[-30:]

y_test = y_data[-30:]

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

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

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)

搭建网络

w1 = tf.Variable(tf.random.truncated_normal([4, 3], stddev=0.1))

b1 = tf.Variable(tf.random.truncated_normal([3], stddev=0.1))

lr = 0.1  

train_loss_results = []  

test_acc = []  

epoch = 1000  

loss_all = 0  

参数优化

for epoch in range(epoch):  

for step, (x_train, y_train) in enumerate(train_db):  

with tf.GradientTape() as tape:  

            y = tf.matmul(x_train, w1) + b1  

            y = tf.nn.softmax(y)  

            y_ = tf.one_hot(y_train, depth=3)  

            loss = tf.reduce_mean(tf.square(y_ - y))  

            loss_all += loss.numpy()  

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

        w1.assign_sub(lr * grads[0])  

        b1.assign_sub(lr * grads[1])  

    train_loss_results.append(loss_all / 4)  

    loss_all = 0  

测试效果

计算当前参数前向传播后的准确率，显示当前acc

    total_correct, total_number = 0, 0

for x_test, y_test in test_db:

        y = tf.matmul(x_test, w1) + b1 

        y = tf.nn.softmax(y)

        pred = tf.argmax(y, axis=1)  

        pred = tf.cast(pred, dtype=y_test.dtype)

        correct = tf.cast(tf.equal(pred, y_test), dtype=tf.int32)

        correct = tf.reduce_sum(correct)

        total_correct += int(correct)

        total_number += x_test.shape[0]

    acc = total_correct / total_number

    test_acc.append(acc)

acc / loss可视化

plt.figure(figsize=(10, 10))

plt.title('Loss and Acc')

plt.xlabel('Epoch')  

plt.ylabel('Loss and Acc')  

plt.yticks([0.0,0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,1.0,1.1])

plt.plot(train_loss_results, label="$Loss$")  

plt.plot(test_acc, label="$Accuracy$")  

plt.legend()  

plt.show()  

输出结果

相关知识

深度学习及其应用
深度学习花卉识别：Python数据集解析
深度学习应用开发
神经网络与深度学习
python毕业设计 深度学习昆虫识别系统
【Python】基础
《Python机器学习开发实战》电子书在线阅读
使用Python实现深度学习模型：智能农业病虫害检测与防治
基于YOLOv8深度学习的智能肺炎诊断系统【python源码+Pyqt5界面+数据集+训练代码】深度学习实战
opencv深度学习昆虫识别系统图像识别 python

网址: [python] 深度学习基础 https://www.huajiangbk.com/newsview840301.html