根據前面的基礎知識，可以開始第一個神經網絡的搭建，主要學習的資料西安科技大學：神經網絡與深度學習——TensorFlow2.0實戰，北京大學：人工智能實踐Tensorflow筆記
TensorFlow2.0入門學習筆記(5)——構建第一個神經網絡，鳶尾花分類問題（附源碼）
1.問題背景
問題描述
人們通過經驗總結出的規律：通過測量鳶尾花的花萼長、花萼寬、花瓣長、花瓣寬，可以得出鳶尾花的類別。（如：花萼長>花萼寬 且 花瓣長/花瓣寬>2 則為雜色鳶尾花）。大量依靠人工分類工作量巨大，不同的人員分類，標准，准確率都會有所差距。可以借助深度學習來學習其中的特征並對新數據進行預測。
流程設計
- 大量的[花萼長、花萼寬、花瓣長、花瓣寬（輸入特征），對應的類別（標簽）]數據對構成數據集
- 把數據集喂入搭建好的神經網絡結構
- 網絡優化參數得到模型
- 模型讀入新輸入特征，輸出識別結果
模型設計
搭建網絡模型
轉換為數學模型
所有輸入特征x與相應特征權重w相乘加上偏置項b輸出結果y。
x：一行四列矩陣，對應四個特征
w：四行三列矩陣
b：3個偏置項
y：一行三列矩陣，對應三種類別的可信度
搭建網絡
每個神經元\(y_0,y_1,y_2與輸入節點x_0,x_1,x_2,x_3\)都有聯系，稱為全連接神經網絡權重w與偏置項b會隨機初始化一組參數
前向傳播
神經網絡執行y = x * w + b的過程稱為前向傳播
損失函數
損失函數：預測值(y)與標准答案(\(y_i\))的差距，可以定量判斷w，b的優劣，當損失函數輸出最小時會出現最優解。（有多種損失函數，這里用均方誤差）
- 均方誤差：\(MSE(y,y_i)=\frac{\sum_{k=0}^n(y-y_i)^2}{n}\)
梯度下降
目的：找到一組參數w和b，使得損失函數最小。
梯度：函數對個參數求偏導后的向量，梯度下降的方向是函數減小的方向。
梯度下降：延損失函數梯度下降的方向，尋找損失函數的最小值，得到最優參數。
學習率(learning rate, lr)：當學習率設置過小時，收斂過程將變得十分緩慢。當學習率設置過大時，梯度可能會在最小值附近震盪，甚至無法收斂
反向傳播
\(w_{t+1}=w_t-lr*\frac{\partial loss}{\partial w_t}\)
從前向后，逐層求損失函數對每層神經元參數的偏導數，迭代更新所有參數。
2.數據讀入
數據集介紹：
該數據集已集成在sklearn包中，可直接調入使用，數據共有150組，每組包括花萼長、花萼寬、花瓣長、花瓣寬共四個輸入特征。同時給出了這一組特征的的對應鳶尾花類別。類別包括Setosa Iris（狗尾草鳶尾），Versicolour Iris（雜色鳶尾），Viginaica Iris（弗吉尼亞鳶尾）三類，分別用數字0，1，2表示
- 從sklearn包datasets讀入數據集
from sklearn.datasets import load_iris
x_data = datasets.load_iris().data #讀入iris數據集的所有輸入特征
y_data = datasets.load_iris().target #讀入iris數據集所有標簽
數據預處理
- 數據集亂序：隨機打亂數據
# seed: 隨機數種子，是一個整數，當設置之后，每次生征和標簽一一對應
np.random.seed(116)
np.random.shuffle(x_data)
np.random.seed(116)
np.random.shuffle(y_data)
tf.random.set_seed(116)
- 將數據集分成訓練集和測試集
# 訓練集為前120行，測試集為后30行
x_train = x_data[:-30]
y_train = y_data[:-30]
x_test = x_data[-30:]
y_test = y_data[-30:]
- 輸入特征和標簽值一一對應，把數據集分批次，每個批次batch(32)組數據
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)
數據訓練
- 定義神經網絡中所有參數可訓練
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))
- 嵌套循環迭代，with結構更新參數，顯示當前loss
for epoch in range(epoch): # 數據集級別迭代
for step, (x_train, y_train) in enumerate(train_db): # batch級別的迭代
with tf.GradientTape() as tape: # 記錄梯度信息
# 前向傳播過程計算y
# 計算總loss
grads = tape.gradient(loss, [w1, b1]) # 求導
w1.assign_sub(lr * grads[0]) # 參數w1自更新
b1.assign_sub(lr * grads[1]) # 參數b自更新
# 每個epoch，打印loss信息
print("Epoch {}, loss: {}".format(epoch, loss_all/4))
- 計算當前參數前向傳播后的准確率，顯示當前acc（accuracy）
for x_test, y_test in test_db:
y = tf.matmul(x_test, w1) + b1 # y為預測結果
y = tf.nn.softmax(y) # y符合概率分布
pred = tf.argmax(y, axis=1) # 返回y中最大值的索引，即預測的分類
pred = tf.cast(pred, dtype=y_test.dtype) # 調整參數類型與標簽一致
correct = tf.cast(tf.equal(pred, y_test), dtype=tf.int32)
correct = tf.reduce_sum(correct) # 將所有batch中的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)
數據可視化
- loss可視化
plt.title('Loss Function Curve') # 圖片標題
plt.xlabel('Epoch') # x軸變量名稱
plt.ylabel('Loss') # y軸變量名稱
plt.plot(train_loss_results, label="$Loss$") # 逐點畫出trian_loss_results值並連線，連線圖標是Loss
plt.legend() # 畫出曲線圖標
plt.show() # 畫出圖像
- acc可視化
plt.title('Acc Curve') # 圖片標題
plt.xlabel('Epoch') # x軸變量名稱
plt.ylabel('Acc') # y軸變量名稱
plt.plot(test_acc, label="$Accuracy$") # 逐點畫出test_acc值並連線，連線圖標是Accuracy
plt.legend()
plt.show()
3.完整源碼
# 導入所需模塊
import tensorflow as tf
from sklearn import datasets
from matplotlib import pyplot as plt
import numpy as np
# 導入數據，分別為輸入特征和標簽
x_data = datasets.load_iris().data
y_data = datasets.load_iris().target
# 隨機打亂數據（因為原始數據是順序的，順序不打亂會成的隨機數都一樣
np.random.seed(116) # 使用相同的seed，保證輸入特影響准確率）
# seed: 隨機數種子，是一個整數，當設置之后，每次生征和標簽一一對應
np.random.shuffle(x_data)
np.random.seed(116)
np.random.shuffle(y_data)
tf.random.set_seed(116)
# 將打亂后的數據集分割為訓練集和測試集，訓練集為前120行，測試集為后30行
x_train = x_data[:-30]
y_train = y_data[:-30]
x_test = x_data[-30:]
y_test = y_data[-30:]
# 轉換x的數據類型，否則后面矩陣相乘時會因數據類型不一致報錯
x_train = tf.cast(x_train, tf.float32)
x_test = tf.cast(x_test, tf.float32)
# from_tensor_slices函數使輸入特征和標簽值一一對應。（把數據集分批次，每個批次batch組數據）
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)
# 生成神經網絡的參數，4個輸入特征故，輸入層為4個輸入節點；因為3分類，故輸出層為3個神經元
# 用tf.Variable()標記參數可訓練
# 使用seed使每次生成的隨機數相同
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 # 學習率為0.1
train_loss_results = [] # 將每輪的loss記錄在此列表中，為后續畫loss曲線提供數據
test_acc = [] # 將每輪的acc記錄在此列表中，為后續畫acc曲線提供數據
epoch = 500 # 循環500輪
loss_all = 0 # 每輪分4個step，loss_all記錄四個step生成的4個loss的和
# 訓練部分
for epoch in range(epoch): #數據集級別的循環，每個epoch循環一次數據集
for step, (x_train, y_train) in enumerate(train_db): #batch級別的循環 ，每個step循環一個batch
with tf.GradientTape() as tape: # with結構記錄梯度信息
y = tf.matmul(x_train, w1) + b1 # 神經網絡乘加運算
y = tf.nn.softmax(y) # 使輸出y符合概率分布（此操作后與獨熱碼同量級，可相減求loss）
y_ = tf.one_hot(y_train, depth=3) # 將標簽值轉換為獨熱碼格式，方便計算loss和accuracy
loss = tf.reduce_mean(tf.square(y_ - y)) # 采用均方誤差損失函數mse = mean(sum(y-out)^2)
loss_all += loss.numpy() # 將每個step計算出的loss累加，為后續求loss平均值提供數據，這樣計算的loss更准確
# 計算loss對各個參數的梯度
grads = tape.gradient(loss, [w1, b1])
# 實現梯度更新 w1 = w1 - lr * w1_grad b = b - lr * b_grad
w1.assign_sub(lr * grads[0]) # 參數w1自更新
b1.assign_sub(lr * grads[1]) # 參數b自更新
# 每個epoch，打印loss信息
print("Epoch {}, loss: {}".format(epoch, loss_all/4))
train_loss_results.append(loss_all / 4) # 將4個step的loss求平均記錄在此變量中
loss_all = 0 # loss_all歸零，為記錄下一個epoch的loss做准備
# 測試部分
# total_correct為預測對的樣本個數, total_number為測試的總樣本數，將這兩個變量都初始化為0
total_correct, total_number = 0, 0
for x_test, y_test in test_db:
# 使用更新后的參數進行預測
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，即預測的分類
# 將pred轉換為y_test的數據類型
pred = tf.cast(pred, dtype=y_test.dtype)
# 若分類正確，則correct=1，否則為0，將bool型的結果轉換為int型
correct = tf.cast(tf.equal(pred, y_test), dtype=tf.int32)
# 將每個batch的correct數加起來
correct = tf.reduce_sum(correct)
# 將所有batch中的correct數加起來
total_correct += int(correct)
# total_number為測試的總樣本數，也就是x_test的行數，shape[0]返回變量的行數
total_number += x_test.shape[0]
# 總的准確率等於total_correct/total_number
acc = total_correct / total_number
test_acc.append(acc)
print("Test_acc:", acc)
print("--------------------------")
# 繪制 loss 曲線
plt.title('Loss Function Curve') # 圖片標題
plt.xlabel('Epoch') # x軸變量名稱
plt.ylabel('Loss') # y軸變量名稱
plt.plot(train_loss_results, label="$Loss$") # 逐點畫出trian_loss_results值並連線，連線圖標是Loss
plt.legend() # 畫出曲線圖標
plt.show() # 畫出圖像
# 繪制 Accuracy 曲線
plt.title('Acc Curve') # 圖片標題
plt.xlabel('Epoch') # x軸變量名稱
plt.ylabel('Acc') # y軸變量名稱
plt.plot(test_acc, label="$Accuracy$") # 逐點畫出test_acc值並連線，連線圖標是Accuracy
plt.legend()
plt.show()