tf.keras训练iris数据集

import tensorflow as tf
import os
from sklearn import datasets
import numpy as np

# 加载数据集
"""
其中测试集的输入特征 x_test 和标签 y_test 可以像 x_train 和 y_train 一样直接从数据集获取， 也可以如上述在 fit 中按比例从训练集中划分，
本例选择从训练集中划分，所以只需加载 x_train， y_train 即可
"""
x_train = datasets.load_iris().data
y_train = datasets.load_iris().target

# 数据集乱序
np.random.seed(116)
np.random.shuffle(x_train)
np.random.seed(116)
np.random.shuffle(y_train)
tf.random.set_seed(116)

# 逐层搭建网络结构
"""
使用了单层全连接网络，第一个参数表示神经元个数，第二个参数表示网络所使用的激活函数，第三个参数表示选用的正则化方法。
"""
model = tf.keras.models.Sequential([
    tf.keras.layers.Dense(3, activation='softmax', kernel_regularizer=tf.keras.regularizers.l2())
])

# 配置训练方法
"""
本 例 使 用 SGD 优 化 器 ， 并 将 学 习 率 设 置 为 0.1 ， 选 择SparseCategoricalCrossentrop 作为损失函数。 
由于神经网络输出使用了softmax 激活函数，使得输出是概率分布，而不是原始输出， 
所以需要将from_logits 参数设置为 False。 鸢尾花数据集给的标签是 0， 1， 2 这样的数值，而 网络前向传播的输出为概率分布 ，
所 以 metrics 需 要 设 置 为sparse_categorical_accuracy。
"""
model.compile(optimizer=tf.keras.optimizers.SGD(lr=0.1),
              loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
              metrics=['sparse_categorical_accuracy']
             )

# 模型训练
"""
在 fit 中执行训练过程,x_train,y_train 分别表示网络的输入特征和标签，batch_size表示一次喂入神经网络的数据量， epochs表示数据集的迭代次数，
validation_split 表示数据集中测试集的划分比例， validation_freq 表示每迭代 20 次在测试集上测试一次准确率。
"""
model.fit(x_train, y_train, epochs=500, batch_size=32,validation_freq=20, validation_split=0.2)

# 打印网络结构，统计参数数目
model.summary()

　　输出结果：

 

 可以看到对于一个输入为4输出为3的全连接网络，参数总共是15个