鸢尾花分类

准备数据

数据读入
训练集测试集生成
将输入特征和标签配对

#从sklearn包datasets读入数据集
from sklearn.datasets import datasets
x_data = datasets.load_iris().data
y_data = datasets.load_iris().target
#分训练集和测试集
x_train = x_data[:-30]#由开头到倒数第30个
y_train = y_data[:-30]
x_test = x_data[-30:]#由倒数第30个到最后
x_test = y_data[-30:]
#使用from_tensor_slices把训练集的输入特征和标签配对打包
train_db = tf.data.Datasets.from_tensor_slices((x_train,y_train)).batch(32)
test_db = tf.data.Datasets.from_tensor_slices((x_test,y_test)).batch(32)

有4列，即4个特征

每32组为一个batch喂入神经网络中

搭建网络

定义神经网络中所有可训练的参数

w1 = tf.Variable(tf.random.truncated_normal([4,3],stddev=0.1,seed=1))#输入特征是4个，只用了一层神经网络，输出节点是三分类，所以是3，是4行3列的张量
b1 = tf.Variable(tf.random.truncated_normal([3],stddev=0.1,seed))#b1要与w1中第二个维度的数字一致

参数优化

嵌套循环迭代，with结构求得损失函数loss对每个可训练参数的偏导数，更新参数，显示当前的loss函数

for epoch in range(epoch):#对整个数据集进行循环
  for step,(x_train,y_train) in enumerate(train_db):#针对batch循环
    with tf.GradientTape() as tape:
    #计算前向传播过程y和总损失函数loss
    grades = tape.gradient(loss,[w1,b1])#损失函数loss分别对参数w1和b1计算偏导数
    w1.assign_sub(lr*grades[0])#更新参数w1和b1
    b1.assign_sub(lr*grades[1])
  print("Epoch{},loss{}".format(epoch,loss_all/4))
  #打印出这一轮epoch后的损失函数值，训练集有120组数据，batch是32个，每个step只能喂入32组数据，需要batch级别循环4次，求得每次step迭代的平均loss

#在每次epoch循环后显示当前模型的效果，即识别准确率，在epoch循环中，嵌套了一个batch级别的循环
for x_test,y_test in test_db:
  y = tf.matmul(x_train,w) + b #y为预测的结果，前向传播
  y = tf.nn.softmax(y) #使其符合概率分布
  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)#如果预测值和标签相等，correct自加一，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_number
print("test_acc:",acc)

输出y值如下：