Tensorflow单个神经元实现二分类

返回目录：总目录——深度学习代码实战

使用单个神经元对CIFAR-10中的两个分类进行逻辑斯蒂回归,代码如下:

import tensorflow as tf
import  os
import numpy as np
import pickle

# 文件存放目录
CIFAR_DIR = "./cifar-10-batches-py"


def load_data(filename):
    '''从文件中返回数据'''
    with open(filename, 'rb') as f:
        data = pickle.load(f, encoding='bytes') # python3 需要添加上encoding='bytes'
        # pickle 的作用相当于 unserialize
        return data[b'data'], data[b'labels'] # 并且 在 key 前需要加上 b

class CifarData:
    def __init__(self, filenames, need_shuffle):
        '''参数1:文件夹 参数2:是否需要随机打乱'''
        all_data = []
        all_labels = []

        for filename in filenames:
            data, labels = load_data(filename)
            for item, label in zip(data, labels):
                # 因为是做的二分类,这里标签只需要是 0 和 1
                if label in [0, 1]:
                    all_data.append(item)
                    all_labels.append(label)
        # 将列表 组成 一个numpy类型的矩阵!!!!
        self._data = np.vstack(all_data)
        # 对数据进行归一化, 尺度固定在 [-1, 1] 之间
        self._data = self._data / 127.5 - 1
        # 将列表,变成一个 numpy 数组
        self._labels = np.hstack(all_labels)
        # 记录当前的样本 数量
        self._num_examples = self._data.shape[0]
        # 保存是否需要随机打乱
        self._need_shuffle = need_shuffle
        # 样本的起始点
        self._indicator = 0
        # 判断是否需要打乱
        if self._need_shuffle:
            self._shffle_data()

    def _shffle_data(self):
        '''对数据进行随机打乱'''
        # np.random.permutation() 从 0 到 参数值,顺序随机打乱
        p = np.random.permutation(self._num_examples)
        # 保存 已经打乱 顺序的数据
        self._data = self._data[p]
        self._labels = self._labels[p]

    def next_batch(self, batch_size):
        '''获得一个batch的数据'''
        # 开始点 + 数量 = 结束点
        end_indictor = self._indicator + batch_size
        # 如果结束点大于样本数量
        if end_indictor > self._num_examples:
            if self._need_shuffle:
                # 重新打乱
                self._shffle_data()
                # 开始点归零,从头再来
                self._indicator = 0
                # 重新指定 结束点. 和上面的那一句,说白了就是重新开始
                end_indictor = batch_size # 其实就是 0 + batch_size, 把 0 省略了
            else:
                raise Exception("have no more examples")
        # 再次查看是否 超出边界了
        if end_indictor > self._num_examples:
            raise Exception("batch size is larger than all example")

        # 把 batch 区间 的data和label保存,并最后return
        batch_data = self._data[self._indicator:end_indictor]
        batch_labels = self._labels[self._indicator:end_indictor]
        self._indicator = end_indictor
        return batch_data, batch_labels

# 拿到所有文件名称
train_filename = [os.path.join(CIFAR_DIR, 'data_batch_%d' % i) for i in range(1, 6)]
# 拿到标签
test_filename = [os.path.join(CIFAR_DIR, 'test_batch')]

# 拿到训练数据和测试数据
train_data = CifarData(train_filename, True)
test_data = CifarData(test_filename, False)

# 设计计算图
# 形状 (None, 3072) 3072 是 样本的维数, None 代表未知的样本数量
x = tf.placeholder(tf.float32, [None, 3072])
# 形状 (None,) y的数量和x的样本数是对应的
y = tf.placeholder(tf.int64, [None])

# (3072, 1) 权重, 权重 * x 的维度,就是一个标量, tf.get_variable() 存在这个变量就使用,不存在就创建
w = tf.get_variable('w', [x.get_shape()[-1], 1], initializer= tf.random_normal_initializer(0, 1))
# (1,) 就是一个标量, w * x 之后,再加上 一个 b
b = tf.get_variable('b', [1], initializer=tf.constant_initializer(0.0))

# (None, 1) 计算wx + b, 得到一个 预测值
y_ = tf.matmul(x, w) + b

# (None, 1) 矩阵中每一个元素都计算了一下,映射到 0 和 1 之间
p_y_1 = tf.nn.sigmoid(y_)

# (None, 1) 需要计算损失函数,将y向量变为矩阵
y_reshaped = tf.reshape(y, (-1, 1))
# tf.cast() 将数据转换格式
y_reshaped_float = tf.cast(y_reshaped, tf.float32)
# 损失函数公式
loss = tf.reduce_mean(tf.square(y_reshaped_float - p_y_1))

# 预测值 转化为 布尔类型
predict = p_y_1 > 0.5
# 将布尔值转化为int类型,也就是 0 或者 1, 然后再和真实值进行比较. tf.equal() 返回值是布尔类型
correct_prediction = tf.equal(tf.cast(predict, tf.int64), y_reshaped)
# 将上句的布尔类型 转化为 浮点类型,然后进行求平均值,实际上就是求出了准确率
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float64))

with tf.name_scope('train_op'): # tf.name_scope() 可以在不同的命名空间取相同的名字
    train_op = tf.train.AdamOptimizer(1e-3).minimize(loss) # 将 损失函数 降到 最低

# 初始化变量
init = tf.global_variables_initializer()

batch_size = 20
train_steps = 100000
test_steps = 100
with tf.Session() as sess:
    sess.run(init) # 注意: 这一步必须要有!!
    # 开始训练
    for i in range(train_steps):
        # 得到batch
        batch_data, batch_labels = train_data.next_batch(batch_size)
        # 获得 损失值, 准确率
        loss_val, acc_val, _ = sess.run([loss, accuracy, train_op], feed_dict={x:batch_data, y:batch_labels})
        # 每 500 次 输出一条信息
        if (i+1) % 500 == 0:
            print('[Train] Step: %d, loss: %4.5f, acc: %4.5f' % (i+1, loss_val, acc_val))
        # 每 5000 次 进行一次 测试
        if (i+1) % 5000 == 0:
            # 获取数据集,但不随机
            test_data = CifarData(test_filename, False)
            all_test_acc_val = []
            for j in range(test_steps):
                test_batch_data, test_batch_labels = test_data.next_batch(batch_size)
                test_acc_val = sess.run([accuracy], feed_dict={ x:test_batch_data, y:test_batch_labels })
                all_test_acc_val.append(test_acc_val)
            test_acc = np.mean(all_test_acc_val)

            print('[Test ] Step: %d, acc: %4.5f' % ((i+1), test_acc))



'''
训练十万次的最终结果:
=====================================================
    [Train] Step: 100000, loss: 0.15000, acc: 0.85000
    [Test ] Step: 100000, acc: 0.81700
=====================================================
'''