标签：loss plt 分类 test train corrent tf tensorflow 鸢尾花

from sklearn import datasets
import numpy as np
import tensorflow as tf
from matplotlib import pyplot as plt

if __name__=="__main__":
    # 1: 准备数据
    x_data = datasets.load_iris().data
    y_data = datasets.load_iris().target

    # 数据集乱序
    np.random.seed(116)
    np.random.shuffle(x_data)
    np.random.seed(116)
    np.random.shuffle(y_data)
    tf.random.set_seed(116)

    # 数据集分出永不相见的训练集合测试集
    x_train = x_data[:-30]
    y_train = y_data[:-30]
    x_test = x_data[-30:]
    y_test = y_data[-30:]

    # 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
    x_train = tf.cast(x_train, tf.float32)
    x_test = tf.cast(x_test, tf.float32)

    # 配成对
    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)

    # 定义神经网络中所有可调参数, 4个输入特征故，输入层为4个节点，因分3类，故输出层为3个神经元
    # 用tf.Variable定义可训练参数
    # 使用seed使每次s生成的随机数相同（方便教学，使大家结果一致，现实生活中不用写seed）stddev标准偏差
    w1 = tf.Variable(tf.random.truncated_normal([4, 3], stddev=0.1, seed=1))
    b1 = tf.Variable(tf.random.truncated_normal([3], stddev=0.1, seed=1))

    # acc 准确率  loss损失值
    lr = 0.1  # 学习率
    train_loss_results = []
    test_acc = []
    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

    # 调用部分
    for epoch in range(epoch):
        for step, (x_train, y_train) in enumerate(train_db):
            with tf.GradientTape() as tape:  # with结构记录梯度信息
                y = tf.matmul(x_train, w1) + b1  # 神经网络乘加运算
                y = tf.nn.softmax(y)  # 使输出y符合概率分布
                y_ = tf.one_hot(y_train, depth=3)  # 将标签值转化为独热码格式
                loss = tf.reduce_mean(tf.square(y_ - y))  # 采用均方误差损失函数
                print(loss)
                print(loss.numpy())
                loss_all += loss.numpy()  # 将每个step计算的loss累加
            # 计算loss对每个参数的梯度,变化率
            grads = tape.gradient(loss, [w1, b1])

            # 实现梯度更新 w1=w1-lr*wl_grad  b=b-lr*b_grad
            w1.assign_sub(lr * grads[0])  # 参数w1自更新 权重
            b1.assign_sub(lr * grads[1])  # 参数b1自更新 偏置项

        # 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
        loss_all = 0  # loss_all归0， 为计算下一个epoch的loss准备

        # 测试部分
        # total_corrent为预测对的样本数量，total_number为总样本数
        total_corrent, total_number = 0, 0
        for x_test, y_test in test_db:
            # 使用更新后的预测参数
            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转化为y_test的数据类型
            pred = tf.cast(pred, dtype=y_test.dtype)
            # 若分类正确，则corrent=1 否则为0，将bool型的结果转化为int型
            corrent = tf.cast(tf.equal(pred, y_test), dtype=tf.int32)
            # 将每个batch的corrent数相加
            corrent = tf.reduce_sum(corrent)
            # 将所有batch的corrent数相加
            total_corrent += int(corrent)
            # 将total_number为测试样本总数，也就是x_test的行数，shape[0]返回变量的行数
            total_number += x_test.shape[0]
        # 总的准确率为total_corrent/total_number
        acc = total_corrent/total_number
        test_acc.append(acc)
        print("test_acc:", acc)
        print("-----------------------")


    # 绘制loss曲线
    plt.title("loss")
    plt.xlabel("epoch")
    plt.ylabel("loss")
    plt.plot(train_loss_results, label="loss")
    plt.legend()
    plt.show()

    # 绘制acc曲线
    plt.title("acc")
    plt.xlabel("epoch")
    plt.ylabel("acc")
    plt.plot(test_acc, label="acc")
    plt.legend()  # 画出曲线图标
    plt.show()

标签：loss,plt,分类,test,train,corrent,tf,tensorflow,鸢尾花
来源： https://www.cnblogs.com/fuchenjie/p/15662469.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。