1. # -*- coding: UTF-8 -*-
    2. # 利用鸢尾花数据集，实现前向传播、反向传播，可视化loss曲线
    4. # 导入所需模块
    6. import numpy as np
    7. from sklearn import datasets
    8. import tensorflow as tf
    10. from matplotlib import pyplot as plt
    13. # 导入数据，分别为输入特征和标签
    14. x_data = datasets.load_iris().data
    15. y_data = datasets.load_iris().target
    17. # 随机打乱数据（因为原始数据是顺序的，顺序不打乱会影响准确率）
    18. # seed: 随机数种子，是一个整数，当设置之后，每次生成的随机数都一样（为方便教学，以保每位同学结果一致）
    19. np.random.seed(116)  # 使用相同的seed，保证输入特征和标签一一对应
    20. np.random.shuffle(x_data)
    21. np.random.seed(116)
    22. np.random.shuffle(y_data)
    23. tf.random.set_seed(116)
    25. # 将打乱后的数据集分割为训练集和测试集，训练集为前120行，测试集为后30行
    26. x_train = x_data[:-30]
    27. y_train = y_data[:-30]
    28. x_test = x_data[-30:]
    29. y_test = y_data[-30:]
    31. # 转换x的数据类型，否则后面矩阵相乘时会因数据类型不一致报错
    32. x_train = tf.cast(x_train, tf.float32)
    33. x_test = tf.cast(x_test, tf.float32)
    35. # from_tensor_slices函数使输入特征和标签值一一对应。（把数据集分批次，每个批次batch组数据）
    36. train_db = tf.data.Dataset.from_tensor_slices((x_train, y_train)).batch(32)
    37. test_db = tf.data.Dataset.from_tensor_slices((x_test, y_test)).batch(32)
    39. # 生成神经网络的参数，4个输入特征故，输入层为4个输入节点；因为3分类，故输出层为3个神经元
    40. # 用tf.Variable()标记参数可训练
    41. # 使用seed使每次生成的随机数相同（方便教学，使大家结果都一致，在现实使用时不写seed）
    42. w1 = tf.Variable(tf.random.truncated_normal([4, 3], stddev=0.1, seed=1))
    43. b1 = tf.Variable(tf.random.truncated_normal([3], stddev=0.1, seed=1))
    45. lr = 0.1  # 学习率为0.1
    46. 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
    47. 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
    48. epoch = 500  # 循环500轮
    49. loss_all = 0  # 每轮分4个step，loss_all记录四个step生成的4个loss的和
    51. # 训练部分
    52. for epoch in range(epoch):  # 数据集级别的循环，每个epoch循环一次数据集
    53.     for step, (x_train, y_train) in enumerate(train_db):  # batch级别的循环 ，每个step循环一个batch
    54.         with tf.GradientTape() as tape:  # with结构记录梯度信息
    55.             y = tf.matmul(x_train, w1) + b1  # 神经网络乘加运算
    56.             y = tf.nn.softmax(y)  # 使输出y符合概率分布（此操作后与独热码同量级，可相减求loss）
    57.             y_ = tf.one_hot(y_train, depth=3)  # 将标签值转换为独热码格式，方便计算loss和accuracy
    58.             loss = tf.reduce_mean(tf.square(y_ - y))  # 采用均方误差损失函数mse = mean(sum(y-out)^2)
    59.             loss_all += loss.numpy()  # 将每个step计算出的loss累加，为后续求loss平均值提供数据，这样计算的loss更准确
    60.         # 计算loss对各个参数的梯度
    61.         grads = tape.gradient(loss, [w1, b1])
    63.         # 实现梯度更新 w1 = w1 - lr * w1_grad    b = b - lr * b_grad
    64.         w1.assign_sub(lr * grads[0])  # 参数w1自更新
    65.         b1.assign_sub(lr * grads[1])  # 参数b自更新
    67.     # 每个epoch，打印loss信息
    68.     print("Epoch {}, loss: {}".format(epoch, loss_all / 4))
    69.     train_loss_results.append(loss_all / 4)  # 将4个step的loss求平均记录在此变量中
    70.     loss_all = 0  # loss_all归零，为记录下一个epoch的loss做准备
    72.     # 测试部分
    73.     # 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
    74.     total_correct, total_number = 0, 0
    75.     for x_test, y_test in test_db:
    76.         # 使用更新后的参数进行预测
    77.         y = tf.matmul(x_test, w1) + b1
    78.         y = tf.nn.softmax(y)
    79.         pred = tf.argmax(y, axis=1)  # 返回y中最大值的索引，即预测的分类
    80.         # 将pred转换为y_test的数据类型
    81.         pred = tf.cast(pred, dtype=y_test.dtype)
    82.         # 若分类正确，则correct=1，否则为0，将bool型的结果转换为int型
    83.         correct = tf.cast(tf.equal(pred, y_test), dtype=tf.int32)
    84.         # 将每个batch的correct数加起来
    85.         correct = tf.reduce_sum(correct)
    86.         # 将所有batch中的correct数加起来
    87.         total_correct += int(correct)
    88.         # 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
    89.         total_number += x_test.shape[0]
    90.     # 总的准确率等于total_correct/total_number
    91.     acc = total_correct / total_number
    92.     test_acc.append(acc)
    93.     print("Test_acc:", acc)
    94.     print("--------------------------")
    96. # 绘制 loss 曲线
    97. plt.title('Loss Function Curve')  # 图片标题
    98. plt.xlabel('Epoch')  # x轴变量名称
    99. plt.ylabel('Loss')  # y轴变量名称
    100. plt.plot(train_loss_results, label="$Loss$")  # 逐点画出trian_loss_results值并连线，连线图标是Loss
    101. plt.legend()  # 画出曲线图标
    102. plt.show()  # 画出图像
    104. # 绘制 Accuracy 曲线
    105. plt.title('Acc Curve')  # 图片标题
    106. plt.xlabel('Epoch')  # x轴变量名称
    107. plt.ylabel('Acc')  # y轴变量名称
    108. plt.plot(test_acc, label="$Accuracy$")  # 逐点画出test_acc值并连线，连线图标是Accuracy
    109. plt.legend()
    110. plt.show()

    epoch指的是在全部数据集上进行学习的轮数。注意神经网络的参数是全局变量。每轮都会更新，因此越往后准确率越高。
    step：每次处理一个batch就是每step，比如128个样本，batch为32，那么每个epoch就是4步。
    对于单个样本而言，输出的是一个向量，每个维度代表属于这一类的概率（正值），减去一个这个样本对应的one-hot向量，均方差损失而言，最大值为1。