Iris分類
數據集介紹，共有數據150組，每組包括長寬等4個輸入特征，同時給出輸入特征對應的Iris類別，分別用0，1，2表示。
從sklearn包datasets讀入數據集。
from sklearn import darasets
from pandas import DataFrame
import pandas as pd
x_data = datasets.load_iris().data # 輸入特征
y_data = datasets.load_iris().target # 標簽
x_data = DataFrame(x_data, columns=["花萼長度",'花萼寬度','花瓣長度','花瓣寬度'])
pd.set_option('display.unicode.east_asian_width',True) # 設置列名對齊
x_dara['類別'] = y_data # 新增一列神經網絡實現分類步驟。
1.準備數據：
數據集讀入，數據集亂序，生成訓練集和測試集，配成輸入特征/標簽對，每次讀入一部分
2.搭建網絡
定義神經網絡中的所有可訓練參數
3.參數優化
嵌套循環迭代，with結構更新參數，顯示當前loss
4.測試效果
計算當前向前傳播后的準確率，顯示當前acc
5可視化acc/loss
# -*- coding: UTF-8 -*-
# 利用鳶尾花數據集，實現前向傳播、反向傳播，可視化loss曲線# 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，順序不打亂會影響準確率）
# seed: 隨機數種子，是一個整數，當設置之后，每次生成的隨機數都一樣（為方便教學，以保每位同學結果一致）
np.random.seed(116) # 使用相同的seed，保證輸入特征和標簽一一對應
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（方便教學，使大家結果都一致，在現實使用時不寫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 # 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batchwith 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accuracyloss = 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更準確# 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_gradw1.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做準備# 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0total_correct, total_number = 0, 0for 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) + b1y = 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]# 總的準確率等于total_correct/total_numberacc = total_correct / total_numbertest_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值并連線，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值并連線，連線圖標是Accuracy
plt.legend()
plt.show()
?根據MP模型可以看出，求出的y實際上就是計算出屬于哪一種分類的概率
?
?其求出的loss就是概率和0/1相減，再將loss和w與b求偏導，通過公式運算得到w和b
預備函數
tf.where
a=tf.constant([1,2,3,1,1])
b=tf.constant([0,1,3,4,5])
c=tf.where(tf.greater(a,b),a,b)
2.np.random.RandomState.rand(維度)返回[0,1]的隨機數
3.np.vstack() 將兩個數組按垂直方向疊加
4np.mgridp[起始值：結束值：步長，....] [)
5.x.ravel() 將x變為一維數組
6.np.c_ [數組1，數組2]返回的間隔數值點配對
神經網絡復雜度
指數衰減學習率
可以先用較大的學習率，快速得到較優解，然后逐步減小學習率，使模型在訓練后期穩定
指數衰減學習率=初始學習率*學習率衰減率^（當前輪數/多少輪衰減一次）更新頻率
epoch = 40
LR_BASE = 0.2
LR_DECAY = 0.99
LR_STEP = 1
for epoch in range(epoch):lr = LR_BASE*LR_DECAY**(epoch/LR_STEP)with tf.GradientTape() as tape:loss = tf.square(w + 1)grads = tape.gradient(loss, w)w.assign_sub(;lr*grads)激活函數
1.Signmoid函數
特點：容易造成梯度消失，輸出非0均值，收斂慢，冪運算復雜，訓練時間長
2.Tanh函數
特點：輸出是0均值，容易造成梯度消失，冪運算復雜，訓練時間長
3.Relu函數
解決梯度消失問題正區間，容易造成神經元死亡，改變隨機初始化，避免過多設置更小學習率，減少參數的巨大變化，避免訓練中產生過多負數特征進入函數
Leaky Rely
1首選relu函數
2學習率設置較小值
3輸入特征標準化，既讓輸入特征滿足以0為均值，1為標準差的正態分布
4初始參數中心化，既讓隨機生成的參數滿足以0為均值，sqrt(2/當前層輸入特征個數）為標準差的正態分布
