Tensorflow2.0笔记19——iris 数据集代码复现

Tensorflow2.0笔记

本博客为Tensorflow2.0学习笔记，感谢北京大学微电子学院曹建老师

目录

• Tensorflow2.0笔记
  • 2.iris 数据集代码复现
    • 第一步：import 相关模块：
    • 第二步：指定输入网络地训练集和测试集：
    • 第三步：逐层搭建网络结构：
    • 第 四 步 ： 在 model.compile() 中 配 置 训 练 方 法 ：
    • 第五步：在 model.fit()中执行训练过程:
    • 第六步：使用 model.summary()打印网络结构，统计参数数目：

2.iris 数据集代码复现

第一步：import 相关模块：

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

第二步：指定输入网络地训练集和测试集：

x_train = datasets.load_iris().data y_train = datasets.load_iris().target

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。

np.random.seed(116) 
np.random.shuffle(x_train) 
np.random.seed(116) np.random.shuffle(y_train)
tf.random.set_seed(116)

以上代码实现了数据集的乱序。

第三步：逐层搭建网络结构：

model = 
		tf.keras.models.Sequential([tf.keras.layers.Dense(3,
		activation='softmax',
		kernel_regularizer=tf.keras.regularizers.l2())
])

如上所示，本例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。

使用 Sequential 可以快速搭建网络结构，但是如果网络包含跳连等其他复杂网络结构，Sequential 就无法表示了。这就需要使用 class 来声明网络结构。

class MyModel(Model):
	def init (self):
		super(MyModel, self). init ()
		//初始化网络结构
	def call(self, x):
		y = self.d1(x)
		return y

​ 使用 class 类封装网络结构，如上所示是一个 class 模板，MyModel 表示声明的神经网络的名字，括号中的 Model 表示创建的类需要继承 tensorflow 库中的 Model 类。类中需要定义两个函数， init ()函数为类的构造函数用于初始化类的参数，spuer(MyModel,self). init ()这行表示初始化父类的参数。之后便可初始化网络结构,搭建出神经网络所需的各种网络结构块。call() 函数中调用 init ()函数中完成初始化的网络块，实现前向传播并返回推理值。使用 class 方式搭建鸢尾花网络结构的代码如下所示。

class IrisModel(Model):
	def init (self):
		super(IrisModel, self). init ()
		self.d1 = Dense(3, activation='sigmoid', kernel_regularizer=tf.keras.regularizers.l2())
	def call(self, x):
		y = self.d1(x)
		return y

​ 搭建好网络结构后只需要使用 Model=MyModel()构建类的对象，就可以使用该模型了。

​ 对比使用 Sequential()方法和 class 方法，有两点区别：

​ ①import 中添加了 Model 模块和 Dense 层、Flatten 层。

​ ②使用 class 声明网络结构，model = IrisModel()初始化模型对象。

第 四 步 ： 在 model.compile() 中 配 置 训 练 方 法 ：

model.compile(optimizer=tf.keras.optimizers.SGD(lr=0.1),
	loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False,
metrics=['sparse_categorical_accuracy'])

如上所示，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。

第五步：在 model.fit()中执行训练过程:

model.fit(x_train,y_train,batch_size=32,epochs=500, validation_split = 0.2,validation_freq=20) 

​ 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。

第六步：使用 model.summary()打印网络结构，统计参数数目：

model.summary()

---