02-TensorFlow 神经网络实现鸢尾花分类

2024-03-21 11:50
文章标签 实现 02 分类 神经网络 tensorflow 鸢尾花

本文主要是介绍02-TensorFlow 神经网络实现鸢尾花分类，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

1.数据集介绍

共有数据150组，每组包括花萼长、花萼宽、花瓣长、花瓣宽4个输入特征。同时给出了，这一组特征对应的鸢尾花类别。类别包括Setosa Iris（狗尾草鸢尾），Versicolour Iris（杂色鸢尾），Virginica Iris（弗吉尼亚鸢尾）三类，分别用数字0，1，2表示。
在这里插入图片描述

2.准备数据

1.数据集读入

这个数据集可以通过代码直接从网上导入

from sklearn import datasetsif __name__ == '__main__':#共有150组数据x_data = datasets.load_iris().data      #返回iris数据集所有输入特征y_data = datasets.load_iris().target    #返回iris数据集所有标签print(x_data)print(y_data)

运行结果
在这里插入图片描述

2.数据集乱序

np.random.seed(116)  # 使用相同的seed，使输入特征/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)

3.划分数据集

数据集分出永不相见的训练集和测试集, 取前120组数据作为训练集, 后30组作为测试集

    #训练集x_train = x_data[:-30]   #取倒数第30个元素之前的所有元素, 也就是有120组y_train = y_data[:-30]   #取倒数第30个元素之前的所有元素, 也就是有120组#测试集x_test = x_data[-30:]    #取倒数第30个元素之后的所有元素, 也就是有30组y_test = y_data[-30:]    #取倒数第30个元素之后的所有元素, 也就是有30组

4.配成特征标签对

配成[输入特征，标签]对，每次喂入一小撮（batch）

    #特征标签配对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)

所以数据准备操作的完整代码如下

import tensorflow as tf
from sklearn import datasets
import numpy as npif __name__ == '__main__':x_data = datasets.load_iris().data      #返回iris数据集所有输入特征, 共150组y_data = datasets.load_iris().target    #返回iris数据集所有标签np.random.seed(116)  # 使用相同的seed，使输入特征/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)#训练集x_train = x_data[:-30]   #取倒数第30个元素之前的所有元素, 也就是有120组y_train = y_data[:-30]   #取倒数第30个元素之前的所有元素, 也就是有120组#测试集x_test = x_data[-30:]    #取倒数第30个元素之后的所有元素, 也就是有30组y_test = y_data[-30:]    #取倒数第30个元素之后的所有元素, 也就是有30组#注意:需要转换x的数据类型, 否则后面矩阵相乘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)#特征标签配对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)print(train_db)print(test_db)

在这里插入图片描述

3.搭建网络

花萼长、花萼宽、花瓣长、花瓣宽4个特征, 对应4个输入, Setosa Iris（狗尾草鸢尾），Versicolour Iris（杂色鸢尾），Virginica Iris（弗吉尼亚鸢尾）三类对应3个输出

y=wx+b
在这里插入图片描述
定义神经网路中所有可训练参数

    #4个输入3个输出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))

4.参数优化

嵌套循环迭代，with结构更新参数，显示当前loss

  	lr = 0.1 #学习率0.1tran_loss_result = [] #将每轮的loss记录在此列表中, 为后续化loss曲线提供数据test_acc = []  #将每轮的acc记录在此列表中, 为后续化acc曲线提供数据epoch = 500 #循环500次loss_all = 0 #每轮分为4个step, loss_all记录四个step生成的4个loss的和for epoch in range(epoch):  # 数据集级别迭代for step, (x_train, y_train) in enumerate(train_db):  # batch级别迭代with tf.GradientTape() as tape:  # with结构记录梯度信息# 前向传播过程计算yy = tf.matmul(x_train, w1) + b1  # 神经网络乘加运算2y = tf.nn.softmax(y)  # 使输出y符合概率分布y_ = tf.one_hot(y_train, depth=3)loss = tf.reduce_mean(tf.square(y_-y)) #采用均方差损失函数loss_all += loss.numpy() # 计算总lossgrads = tape.gradient(loss, [w1, b1])w1.assign_sub(lr * grads[0])  # 参数自更新b1.assign_sub(lr * grads[1])print("Epoch {}, loss: {}".format(epoch, loss_all / 4))tran_loss_result.append(loss_all / 4)loss_all = 0

在这里插入图片描述

5.测试部分

a.计算当前参数前向传播后的准确率，显示当前acc

	    total_correct = 0total_number = 0for x_test, y_test in test_db:y = tf.matmul(x_test, w1) + b1  # y为预测结果y = tf.nn.softmax(y)  # 使y符合概率分布pred = tf.argmax(y, axis=1)  # 返回y中最大值的索引，即预测的分类pred = tf.cast(pred, dtype=y_test.dtype)  # 调整数据类型与标签一致correct = tf.cast(tf.equal(pred, y_test), dtype=tf.int32)correct = tf.reduce_sum(correct)  # 将每个batch的correct数加起来total_correct += int(correct)  # 将所有batch中的correct数加起来total_number += x_test.shape[0]acc = total_correct / total_numbertest_acc.append(acc)print("test_acc:", acc)

在这里插入图片描述
b.acc / loss可视化

    #绘制acc, loss曲线plt.title('Loss Curve')  # 图片标题plt.xlabel('Epoch')  # x轴名称plt.ylabel('Loss')  # y轴名称plt.plot(tran_loss_result, label="$Loss$")  # 逐点画出test_acc值并连线plt.legend()plt.show()plt.title('Acc Curve')  # 图片标题plt.xlabel('Epoch')  # x轴名称plt.ylabel('Acc')  # y轴名称plt.plot(test_acc, label="$Accuracy$")  # 逐点画出test_acc值并连线plt.legend()plt.show()

在这里插入图片描述
在这里插入图片描述

6.完整代码

import tensorflow as tf
from sklearn import datasets
import numpy as np
import matplotlib.pyplot as pltif __name__ == '__main__':x_data = datasets.load_iris().data      #返回iris数据集所有输入特征, 共150组y_data = datasets.load_iris().target    #返回iris数据集所有标签np.random.seed(116)  # 使用相同的seed，使输入特征/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)#训练集x_train = x_data[:-30]   #取倒数第30个元素之前的所有元素, 也就是有120组y_train = y_data[:-30]   #取倒数第30个元素之前的所有元素, 也就是有120组#测试集x_test = x_data[-30:]    #取倒数第30个元素之后的所有元素, 也就是有30组y_test = y_data[-30:]    #取倒数第30个元素之后的所有元素, 也就是有30组#注意:需要转换x的数据类型, 否则后面矩阵相乘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)#特征标签配对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)# print(train_db)# print(test_db)#4个输入3个输出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0.1tran_loss_result = [] #将每轮的loss记录在此列表中, 为后续化loss曲线提供数据test_acc = []  #将每轮的acc记录在此列表中, 为后续化acc曲线提供数据epoch = 500 #循环500次loss_all = 0 #每轮分为4个step, loss_all记录四个step生成的4个loss的和for epoch in range(epoch):  # 数据集级别迭代for step, (x_train, y_train) in enumerate(train_db):  # batch级别迭代with tf.GradientTape() as tape:  # with结构记录梯度信息# 前向传播过程计算yy = tf.matmul(x_train, w1) + b1  # 神经网络乘加运算2y = tf.nn.softmax(y)  # 使输出y符合概率分布y_ = tf.one_hot(y_train, depth=3)loss = tf.reduce_mean(tf.square(y_-y)) #采用均方差损失函数loss_all += loss.numpy() # 计算总lossgrads = tape.gradient(loss, [w1, b1])w1.assign_sub(lr * grads[0])  # 参数自更新b1.assign_sub(lr * grads[1])print("Epoch {}, loss: {}".format(epoch, loss_all / 4))tran_loss_result.append(loss_all / 4)loss_all = 0total_correct = 0total_number = 0for x_test, y_test in test_db:y = tf.matmul(x_test, w1) + b1  # y为预测结果y = tf.nn.softmax(y)  # 使y符合概率分布pred = tf.argmax(y, axis=1)  # 返回y中最大值的索引，即预测的分类pred = tf.cast(pred, dtype=y_test.dtype)  # 调整数据类型与标签一致correct = tf.cast(tf.equal(pred, y_test), dtype=tf.int32)correct = tf.reduce_sum(correct)  # 将每个batch的correct数加起来total_correct += int(correct)  # 将所有batch中的correct数加起来total_number += x_test.shape[0]acc = total_correct / total_numbertest_acc.append(acc)print("test_acc:", acc)#绘制acc, loss曲线plt.title('Loss Curve')  # 图片标题plt.xlabel('Epoch')  # x轴名称plt.ylabel('Loss')  # y轴名称plt.plot(tran_loss_result, label="$Loss$")  # 逐点画出test_acc值并连线plt.legend()plt.show()plt.title('Acc Curve')  # 图片标题plt.xlabel('Epoch')  # x轴名称plt.ylabel('Acc')  # y轴名称plt.plot(test_acc, label="$Accuracy$")  # 逐点画出test_acc值并连线plt.legend()plt.show()

这篇关于02-TensorFlow 神经网络实现鸢尾花分类的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/832565。

相关文章

Oracle查询优化之高效实现仅查询前10条记录的方法与实践

Oracle查询优化之高效实现仅查询前10条记录的方法与实践

《Oracle查询优化之高效实现仅查询前10条记录的方法与实践》：本文主要介绍Oracle查询优化之高效实现仅查询前10条记录的相关资料,包括使用ROWNUM、ROW_NUMBER()函数、FET... 目录1. 使用 ROWNUM 查询2. 使用 ROW_NUMBER() 函数3. 使用 FETCH FI
阅读更多...
Python脚本实现自动删除C盘临时文件夹

Python脚本实现自动删除C盘临时文件夹

《Python脚本实现自动删除C盘临时文件夹》在日常使用电脑的过程中,临时文件夹往往会积累大量的无用数据,占用宝贵的磁盘空间,下面我们就来看看Python如何通过脚本实现自动删除C盘临时文件夹吧... 目录一、准备工作二、python脚本编写三、脚本解析四、运行脚本五、案例演示六、注意事项七、总结在日常使用
阅读更多...
Java实现Excel与HTML互转

Java实现Excel与HTML互转

《Java实现Excel与HTML互转》Excel是一种电子表格格式,而HTM则是一种用于创建网页的标记语言,虽然两者在用途上存在差异,但有时我们需要将数据从一种格式转换为另一种格式,下面我们就来看看... Excel是一种电子表格格式，广泛用于数据处理和分析，而HTM则是一种用于创建网页的标记语言。虽然两
阅读更多...
Java中Springboot集成Kafka实现消息发送和接收功能

Java中Springboot集成Kafka实现消息发送和接收功能

《Java中Springboot集成Kafka实现消息发送和接收功能》Kafka是一个高吞吐量的分布式发布-订阅消息系统,主要用于处理大规模数据流,它由生产者、消费者、主题、分区和代理等组件构成,Ka... 目录一、Kafka 简介二、Kafka 功能三、POM依赖四、配置文件五、生产者六、消费者一、Kaf
阅读更多...
使用Python实现在Word中添加或删除超链接

使用Python实现在Word中添加或删除超链接

《使用Python实现在Word中添加或删除超链接》在Word文档中,超链接是一种将文本或图像连接到其他文档、网页或同一文档中不同部分的功能,本文将为大家介绍一下Python如何实现在Word中添加或... 在Word文档中，超链接是一种将文本或图像连接到其他文档、网页或同一文档中不同部分的功能。通过添加超
阅读更多...
windos server2022里的DFS配置的实现

windos server2022里的DFS配置的实现

《windosserver2022里的DFS配置的实现》DFS是WindowsServer操作系统提供的一种功能,用于在多台服务器上集中管理共享文件夹和文件的分布式存储解决方案,本文就来介绍一下wi... 目录什么是DFS？优势：应用场景：DFS配置步骤什么是DFS？DFS指的是分布式文件系统（Distr
阅读更多...
NFS实现多服务器文件的共享的方法步骤

NFS实现多服务器文件的共享的方法步骤

《NFS实现多服务器文件的共享的方法步骤》NFS允许网络中的计算机之间共享资源,客户端可以透明地读写远端NFS服务器上的文件,本文就来介绍一下NFS实现多服务器文件的共享的方法步骤,感兴趣的可以了解一... 目录一、简介二、部署1、准备1、服务端和客户端：安装nfs-utils2、服务端：创建共享目录3、服
阅读更多...
C#使用yield关键字实现提升迭代性能与效率

C#使用yield关键字实现提升迭代性能与效率

《C#使用yield关键字实现提升迭代性能与效率》yield关键字在C#中简化了数据迭代的方式,实现了按需生成数据,自动维护迭代状态,本文主要来聊聊如何使用yield关键字实现提升迭代性能与效率,感兴... 目录前言传统迭代和yield迭代方式对比yield延迟加载按需获取数据yield break显式示迭
阅读更多...
Python实现高效地读写大型文件

Python实现高效地读写大型文件

《Python实现高效地读写大型文件》Python如何读写的是大型文件,有没有什么方法来提高效率呢,这篇文章就来和大家聊聊如何在Python中高效地读写大型文件,需要的可以了解下... 目录一、逐行读取大型文件二、分块读取大型文件三、使用 mmap 模块进行内存映射文件操作（适用于大文件）四、使用 pand
阅读更多...
python实现pdf转word和excel的示例代码

python实现pdf转word和excel的示例代码

《python实现pdf转word和excel的示例代码》本文主要介绍了python实现pdf转word和excel的示例代码,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价... 目录一、引言二、python编程1，PDF转Word2，PDF转Excel三、前端页面效果展示总结一
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2