关于慕课第一讲的鸢尾花测试笔记——tensorflow2人工智能weixin43981664的博客-

在听完吴恩达的五节深度学习课之后想立一个flag：通过慕课来了解tensroflow框架，然后再深入阅读《动手学深度学习》tensorflow版，再最后深入学习花书。最后学习图像处理。
学习了第一讲之后发现有点小问题，就是吴恩达老师说深度学习喜欢以一列为一个数据，而这里却是一列为一个数据。这个问题留到以后注意。

0.导包

import tensorflow as tf import matplotlib.pyplot as plt from sklearn import datasets from sklearn.model_selection import train_test_split

1.加载数据，借助sklearn导入数据以及切割数据

# load 数据集并且乱序分类 x,y = datasets.load_iris(return_X_y=True) x_train,x_test,y_train,y_test = train_test_split(x,y,test_size=0.2)

2.类型强制转换，避免出错

# 强制转换成tf类型 x_train = tf.cast(x_train,tf.float32) x_test = tf.cast(x_test,tf.float32)

3.打包组合，切分数据为batch

# 打包组合，并且切分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)

4.初始化超参数

# 超参数设置 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 lm = 0.0001

4.进行训练

# 训练部分 for i in range(epoch): # 数据集级别的循环，每个epoch循环一次数据集     loss_all = 0 # loss_all归零 for step, (x_train, y_train) in enumerate(train_db): # batch级别的循环 ，每个step循环一个batch with tf.GradientTape() as tape: # with结构记录梯度信息             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])         w1.assign_sub(lr * grads[0])         b1.assign_sub(lr * grads[1]) # 每个epoch，打印loss信息 print("Epoch {}, loss: {}".format(epoch, loss_all / 4))     train_loss_results.append(loss_all / 4) # 将4个step的loss求平均记录在此变量中 # 测试部分 # 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("--------------------------") if(len(test_acc)>10 and abs(train_loss_results[-1]-train_loss_results[-2])<lm): break 

6.绘制函数进行观察

# 绘制 loss 曲线 plt.title('Loss Function Curve') # 图片标题 plt.xlabel('Epoch') # x轴变量名称 plt.ylabel('Loss') # y轴变量名称 plt.plot(train_loss_results, label="$Loss$") # 逐点画出trian_loss_results值并连线，连线图标是Loss plt.legend() # 画出曲线图标 plt.show() # 画出图像 # 绘制 Accuracy 曲线 plt.title('Acc Curve') # 图片标题 plt.xlabel('Epoch') # x轴变量名称 plt.ylabel('Acc') # y轴变量名称 plt.plot(test_acc, label="$Accuracy$") # 逐点画出test_acc值并连线，连线图标是Accuracy plt.legend() plt.show()