TF2原生语法构建简单网络

基本思路

数据集

本实验采用的数据为鸢尾属植物数据集，存储了150个样本的4个特征，分别对应了3类不同的鸢尾属植物。

基本流程可视化

每个数据可以视为1×4的向量，且最后对应3类，那么权重w就应该是4×3，偏置量b就应该是1×3。

上述过程可以即可以视为一个全连接神经网络，可视化如下。

主要流程

一、数据准备

1、数据集读入

from sklearn.datasets import datasets
x_data = datasets.load_iris().data
y_data = datasets.load_iris().target

2、数据集乱序

np.random.seed(116)
np.random.shuffle(x_data)
np.random.seed(116)
np.random.shuffle(y_data)

3、生成训练集和测试集，并根据需要转换数据格式

# 取后30个为测试集，其余为训练集
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，避免数据不一致的问题
x_train = tf.cast(x_train, tf.float32)
x_test = tf.cast(x_test, tf.float32)

4、将（输入特征，标签）组成对，每次读入一部分（batch）

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)

二、搭建网络，迭代进行训练

1、定义神经网络中所有可训练参数

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))

2、定义一些超参数，及后续可能会用到的参数

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

3、嵌套循环迭代，with结构更新参数，显示loss等信息

# 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结构记录梯度信息
        with tf.GradientTape() as tape:
        	# 前向传播计算y_
            y = tf.matmul(x_train, w1) + b1
            y = tf.nn.softmax(y)
            y_ = tf.one_hot(y_train, depth=3)
            # 计算总loss
            loss = tf.reduce_mean(tf.square(y_ - y))
            loss_all += loss.numpy()
            
        # 计算loss对各个参数的梯度
        grads = tape.gradient(loss, [w1, b1])

        # 参数自更新
        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信息并记录
    print("Epoch {}, loss: {}".format(epoch, loss_all/4))
    train_loss_results.append(loss_all / 4)
    loss_all = 0

4、在该轮epoch中，计算当前参数前向传播的准确率并进行记录

# 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("--------------------------")

三、绘制相应训练曲线

# 绘制 loss 曲线
plt.title('Loss Function Curve')  
plt.xlabel('Epoch') 
plt.ylabel('Loss') 
plt.plot(train_loss_results, label="$Loss$") 
plt.legend() 
plt.show() 

# 绘制 Accuracy 曲线
plt.title('Acc Curve') 
plt.xlabel('Epoch') 
plt.ylabel('Acc') 
plt.plot(test_acc, label="$Accuracy$") 
plt.legend()
plt.show()

Donate