TensorFlow练手小项目

最新推荐文章于 2025-05-13 11:36:15 发布

XuZhiyu_

最新推荐文章于 2025-05-13 11:36:15 发布

阅读量1.2k

点赞数

CC 4.0 BY-SA版权

分类专栏：练手项目文章标签： tensorflow 深度学习神经网络

本文链接：https://blog.youkuaiyun.com/weixin_43870329/article/details/106270275

内容介绍

该项目需要实现一个分类问题，输入数据X有两个属性，标签d包含两类，用整形数字0、1表示。

读取数据 homework.npz
请分析点（0.2， 0.2）所属类别
尽可能的提升精度与速度，在精度大于95%时，速度因素更加需要考虑
- 可以使用多层神经网络
- 可以进行特征工程
使用TensorBoard绘制所搭建的网络模型
尝试使用numpy完成预测

读取数据

import numpy as np
files = np.load("homework.npz")
X = files['X']
label = files['d']

绘制不同特征与对应标签的散点图，以及特征分

参考博客：从np.random.normal()到正态分布的拟合

import matplotlib.pyplot as plt
import scipy.stats as st


plt.figure(figsize=(16,8))
for i in range(2):
    plt.subplot(2,2,i+1)
    plt.scatter(X[:,i], label, alpha= 0.3)
    plt.title('特征 {}'.format(i+1))
for i in range(2):
    plt.subplot(2,2,i+3)
    plt.hist(X[:,i],bins=50,density=True)
    x_mean = np.mean(X[:,i])
    x_std = np.std(X[:,i])
    x = np.linspace(-2, 2, 50)
    plt.plot(x, st.norm(x_mean, x_std).pdf(x), lw=2, c='r')
    plt.annotate('均值为：{:.2f} \n方差为：{:.2f}'.format(x_mean, x_std),xy=(1.5,0.6),weight='heavy')
    plt.title('特征 {}'.format(i+1))

在这里插入图片描述

观察上述四幅图像可以发现两特征属于正态分布，与标签分布也比较均衡。因此不需要对数据进行特征归一化和标签均衡

标签处理

这里使用了独热编码
将编码0转换为 [1 0]
将编码1转换为 [0 1]

from sklearn.preprocessing import  OneHotEncoder

enc = OneHotEncoder(sparse=False)
# enc.fit(label.reshape(-1,1))
label_onehot = enc.fit_transform(label.reshape(-1,1))
for i in range(10):
    print(f'原始标签：{label[i]}, 处理后的标签：{label_onehot[i]}')

原始标签：1, 处理后的标签：[0. 1.]
原始标签：1, 处理后的标签：[0. 1.]
原始标签：1, 处理后的标签：[0. 1.]
原始标签：0, 处理后的标签：[1. 0.]
原始标签：0, 处理后的标签：[1. 0.]
原始标签：1, 处理后的标签：[0. 1.]
原始标签：1, 处理后的标签：[0. 1.]
原始标签：0, 处理后的标签：[1. 0.]
原始标签：0, 处理后的标签：[1. 0.]
原始标签：1, 处理后的标签：[0. 1.]

搭建神经网络

时间计算参考博客python计算时间的两种方式：time与datetime

隐藏层个数：2 ；隐藏层元素个数：[6, 6] ；隐藏层激活函数：ReLu函数；训练次数：2001 ；特征工程：无

import tensorflow as tf
import datetime

x = tf.placeholder(tf.float32, [None, 2], name="input_x")
d = tf.placeholder(tf.float32, [None, 2], name="input_y")
# 对于sigmoid激活函数而言，效果可能并不理想
net = tf.layers.dense(x, 6, activation=tf.nn.relu)
net = tf.layers.dense(net, 6, activation=tf.nn.relu)
y = tf.layers.dense(net, 2, activation=None)
loss =