第二讲 神经网路优化 --SGD-MOMEMTUN

  1 # 利用鸢尾花数据集，实现前向传播、反向传播，可视化loss曲线
  2 
  3 # 导入所需模块
  4 import tensorflow as tf
  5 from sklearn import datasets
  6 from matplotlib import pyplot as plt
  7 import numpy as np
  8 import time
  9 
 10 
 11 # 导入数据，分别为输入特征和标签
 12 x_data = datasets.load_iris().data
 13 y_data = datasets.load_iris().target
 14 
 15 # 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）
 16 # 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）
 17 np.random.seed(116)
 18 np.random.shuffle(x_data)
 19 np.random.seed(116)
 20 np.random.shuffle(y_data)
 21 tf.random.set_seed(116)
 22 
 23 
 24 
 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:]
 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)
 34 
 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)
 38 
 39 
 40 # 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
 41 # 用tf.Variable()标记参数可训练
 42 # 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）
 43 
 44 w1 = tf.Variable(tf.random.truncated_normal([4, 3], stddev=0.1, seed=1))
 45 b1 = tf.Variable(tf.random.truncated_normal([3], stddev=1, seed=1))
 46 
 47 
 48 lr = 0.1  # 学习率为0.1
 49 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
 50 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
 51 epoch = 500  # 循环500轮
 52 loss_all = 0  # 每轮分4个step，loss_all记录四个step生成的4个loss的和
 53 
 54 m_w, m_b = 0, 0
 55 beta = 0.9
 56 
 57 
 58 # 训练部分
 59 now_time = time.time()
 60 for epoch in range(epoch):# 数据集级别的循环，每个epoch循环一次数据集
 61   for step, (x_train, y_train) in enumerate(train_db):# batch级别的循环 ，每个step循环一个batch
 62     with tf.GradientTape() as tape:# with结构记录梯度信息
 63       y = tf.matmul(x_train, w1) + b1 # 神经网络乘加运算
 64       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）
 65       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
 66       loss = tf.reduce_mean(tf.square(y_ - y)) # 采用均方误差损失函数mse = mean(sum(y-out)^2)
 67       loss_all += loss.numpy()
 68     # 计算loss对各个参数的梯度
 69     grads = tape.gradient(loss, [w1, b1])
 70 
 71     #sgd-momentun
 72     m_w = beta * m_w + (1 - beta) * grads[0]
 73     m_b = beta * m_b + (1 - beta) * grads[1]
 74     w1.assign_sub(lr * m_w)
 75     b1.assign_sub(lr * m_b)
 76 
 77   # 每个epoch，打印loss信息
 78   print("Epoch {}, loss: {}".format(epoch, loss_all / 4))
 79   train_loss_results.append(loss_all / 4) # 将4个step的loss求平均记录在此变量中
 80   loss_all = 0 # loss_all归零，为记录下一个epoch的loss做准备
 81 
 82 
 83   # 测试部分
 84   # 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
 85   total_correct, total_number = 0, 0
 86   for x_test, y_test in test_db:
 87     #使用更新后的参数进行预测
 88     y = tf.matmul(x_test, w1) + b1
 89     y = tf.nn.softmax(y)
 90     pred = tf.argmax(y, axis=1) # 返回y中最大值的索引，即预测的分类
 91     # 将pred转换为y_test的数据类型
 92     pred = tf.cast(pred, dtype=y_test.dtype)
 93     # 若分类正确，则correct=1，否则为0，将bool型的结果转换为int型
 94     correct = tf.cast(tf.equal(pred, y_test), dtype = tf.int32)
 95     # 将每个batch的correct数加起来
 96     correct = tf.reduce_sum(correct)
 97     # 将所有batch中的correct数加起来
 98     total_correct += int(correct)
 99     # 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
100     total_number += x_test.shape[0]
101   # 总的准确率等于total_correct/total_number
102   acc = total_correct / total_number
103   test_acc.append(acc)
104   print("Test_acc:", acc)
105   print("------------------------------------")
106 
107 total_time = time.time() - now_time
108 print("total_time", total_time)
109 
110 
111 # 绘制 loss 曲线
112 plt.title("Loss Function Curve")
113 plt.xlabel("Epoch")
114 plt.ylabel("Loss")
115 plt.plot(train_loss_results, label="$Loss$")
116 plt.legend()
117 plt.show()
118 
119 
120 # 绘制 Accuracy 曲线
121 plt.title("Acc Curve")
122 plt.xlabel("Epoch")
123 plt.ylabel("Acc")
124 plt.plot(test_acc, label="$Accuracy$")
125 plt.legend()
126 plt.show()