锐客网

  1. 首页 > 睿知 > it技术 > >

神经网络计算——神经网络实现鸢尾花分类

IT知识神经网络分类

不操千曲而后晓声，观千剑而后识器。这篇文章主要讲述神经网络计算——神经网络实现鸢尾花分类相关的知识，希望能为你提供帮助。


本blog为观看MOOC视频与网易云课堂所做的笔记
课堂链接：
???人工智能实践:TensorFlow笔记????吴恩达机器学习??
【神经网络计算——神经网络实现鸢尾花分类】
疑问与思考 为什么按照batch喂入数据
之前看的视频里面处理数据都是一次性将所有数据喂入，现在看的这个视频对数据进行了分组投入。这是为何？
参考链接：

??深度学习中的batch理解（batch size一次喂给神经网络的数据大小量）????用CNN做图像分类的时候，为什么要一批一批地输入数据？??

对样本数据的处理方法：
传统的梯度下降法：用全部样本计算迭代时的梯度
随机梯度下降法(在线梯度下降法)：一次只喂一个样本
batch梯度下降法:每次喂一部分样本让其完成本轮迭代
区别举例：一次性喂500个样本并迭代一次，跟一次喂1个样本迭代500次相比
第一种是将参数一次性更新500个样本的量，第二种是迭代的更新500次参数。
1、在同等的计算量之下（一定的时间内），使用整个样本集的收敛速度要远慢于使用少量样本的情况。换句话说，要想收敛到同一个最优点，使用整个样本集时，虽然迭代次数少，但是每次迭代的时间长，耗费的总时间是大于使用少量样本多次迭代的情况的。
2、样本量少的时候会带来很大的方差，会导致在下降到很差的局部最小值、鞍点震荡出收敛处，有利于向全局最小值迈进。
当样本量很多时，方差很小，对梯度的估计要准确和稳定的多，可能导致深陷局部最小值、鞍点，导致训练效果不如意
3、与GPU性能有关，GPU性能越好，同时训练的数据就越多，batch就可以越大。
代码以及展示把打乱后的数据集中前120个数据取出来作为训练集，后30个为测试集
输入特征是4个，所以输入节点是4。只用一层网络，输出节点是分类数：3
第一层for循环针对数据集，第二层for循环针对batch。
训练集120个数据，batch是32个，，每个step只能喂入32组数据，需要batch级别循环4次。
所以除以4，得到每个循环得到的平均loss。
代码：
# 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 = https://www.songbingjia.com/android/datasets.load_iris().data
y_data = https://www.songbingjia.com/android/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batch
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
grads = tape.gradient(loss, [w1, b1])

# 实现梯度更新 w1 = w1 - lr * w1_gradb = 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
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
# 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

    推荐阅读


    上一篇：视觉项目day28.21号实验记录（手机固定高度15cm拍摄+直方图均衡化+模板匹配，模板12个，测试28个，效果十分差）

    下一篇：Linux目录--proc详解