tensorflow學習

• 鳶尾花分類

步驟

1 · 準備資料，包括資料集讀入、資料集亂序，把訓練集和測試集中的資料配成輸入特徵和標籤對，生成 train 和 test 即永不相見的訓練集和測試集；

2 · 搭建網路，定義神經網路中的所有可訓練引數；

3 · 優化這些可訓練的引數，利用巢狀迴圈在 with 結構中求得損失函式 loss對每個可訓練引數的偏導數，更改這些可訓練引數，為了檢視效果，程式中可以加入每遍歷一次資料集顯示當前準確率，還 可以畫出準確率 acc 和損失函式 loss的變化曲線圖。

程式碼實現

from sklearn import datasets
import tensorflow as tf
import numpy as np
from matplotlib import pyplot as plt
#讀入資料並進行資料分割處理
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)
# 設定引數
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#學習率
train_loss_results=[]
test_acc=[]
epoch = 500#迴圈次數
loss_all = 0
# 訓練部分
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])
    # 更新引數
    w1.assign_sub(lr * grads[0])
    b1.assign_sub(lr * grads[1])

    print("Epoch {}, loss: {}".format(epoch, loss_all/4))
    train_loss_results.append(loss_all/4)
    loss_all=0

    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) # 將每個 batch 的 correct 數加起來
        total_correct += int(correct) # 將所有 batch 中的 correct 數加起來
        total_number += x_test.shape[0]
    acc = total_correct / total_number
    test_acc.append(acc)
    print("test_acc:", acc)
    print("--------------------------------")
# 畫圖
plt.title('Loss Function Curve')  # 圖片標題
plt.xlabel('Epoch')  # x 軸名稱
plt.ylabel('Loss')  # y 軸名稱
plt.plot(train_loss_results, label="$Loss$")  #
plt.legend()
plt.show()


plt.title('Acc Curve') # 圖片標題
plt.xlabel('Epoch') # x 軸名稱
plt.ylabel('Acc') # y 軸名稱
plt.plot(test_acc, label="$Accuracy$") # 逐點畫出 test_acc 值並連線
plt.legend()
plt.show()



 

結果