刚刚涉足神经网络，基于TensorFlow2.0以实现鸢尾花分类为例总结神经网络代码实现的几个步骤，附代码详细讲解

前言

总体来看，一个简单的神经网络，在准备数据和参数定义后就已经被搭建起来了，这便是神经网络的骨架。我们后面补入的参数优化是为了让这个神经网络能够朝着我们希望的方向进行迭代，最后能获取到符合我们预期的参数，如果把整个神经网络闭嘴一个完整的人的话，骨架已经有了，参数优化就附着在上面的皮肉，我们想胖，想瘦即是调整皮下脂肪含量，想胖则Loss function变大，想瘦则Loss function变小（默认精确标签是指向瘦的，毕竟瘦瘦的女孩子更健康不是哈哈哈），可见参数优化与神经网络个性化方向是息息相关的。
我们搭建好了整个有骨有肉的“人”，那他是否就符合人的各项行为特性呢，比如说让我们做出来的这个“人”进行跑步，跳跃这两个属性取一百次测试输入然后输出结果中准确度（精度）有多少呢？这是我们的一个性能度量方式，性能度量的方式（除精度外，错误率、查全率，查准率，F1、ROC和AUC、代价敏感错误率和代价曲线等）有很多，西瓜书上第二章讲解详细可以进行参考。最后对损失与精度的可视化能够看到迭代过程中数据的处理曲线，如果loss一直徘徊在较高的水平而不是趋于零，则本次搭建基本宣告失败了，找明原因，再接再厉，你是最胖哒！

上帝视角看神经网络：

一、准备数据
1.数据集读入
2.数据集乱序
3.生成训练集和测试集（即x_train/y_train，x_test/y_test）
3.配成（输入特征，标签）对，每次读入一小撮（batch）。
二、搭建网络
定义神经网络中所有可训练参数
三、参数优化
嵌套循环迭代，with结构更新参数，显示当前loss
四、测试效果
计算当前参数前向传播后的准确率，显示当前acc
五、loss/acc可视化

细化代码体现

一、准备数据

1.数据集读入（

从sklearn包datasets读入数据：
from sklearn.datasets import datasets
x_data = datasets.load_iris().data //返回iris数据集所有输入特征
y_data = datasets.load_iris().target //返回iris数据集所有标签

）
2.数据集乱序（

np.random.seed(116) //使用相同的seed 使输入特征和标签一一对应
np.random.shuffle(x_data) //shuffle：重新洗牌；把...变化位置；
np.random.seed(116)
np.random.shuffle(y_data)
tf.randomm.set_seed(116)

）
3.生成训练集和测试集（即x_train/y_train，x_test/y_test 永不相见）（

x_train=x_data[:-30]
y_train=y_data[:-30]
x_test=x_data[-30:]
y_test=y_data[-30:]

）
3.配成（输入特征，标签）对，每次读入一小撮（batch）(

train_db=tf.Dataset.from_tensor_slices((x_train,y_train)).batch(32) #使用from_tensor_slices()把训练集的输入特性和标签配对打包
test_db=tf.Dataset.from_tensor_slices((x_test,y_test)).batch(32) #每32对（输入特性，标签）对打包为一个batch，以batch为单位喂入神经网络

)。

二、搭建网络

定义神经网络中所有可训练参数（

w1= tf.Variable(tf.random.truncated_normal([4,3],stddev=0.1,seed=1)) //输入特征为4，输出节点数=分类数=3
b1= tf.Variable(tf.random.truncated_normal([3],stddev=0.1,seed=1))

）

三、参数优化

嵌套循环迭代，with结构更新参数，显示当前loss（

for epoch in range(epoch): //数据集级别迭代
    for step, (x_train,y_train) in enumerate(train_db): //batch级别迭代
        with tf.GradientTape() as tape: //记录梯度信息
        (前向传播过程计算y
        计算总loss)
        grads=tape.gredient(loss,[w1,b1])  //对参数w1，b1计算偏导数
        w1.assign_sub(lr*grads[0])  //参数自更新
        b1.assign_sub(lr*grads[1])
    print("Epoch{},loss:{}".formar(epoch,loss_all/4))  //一共120个数据，每次喂入32个，故要喂入4次，将每次求得的loss相加后再求平均得出平均loss

）。

四、测试效果

计算当前参数前向传播后的准确率，显示当前acc（

for x_test,y_test in test_db:
        y=tf.matmul(h,w)+b //y为预测结果
        y=tf.nn.softmax(y)  //y符合概率分布
        pred=tf.argmax(y,axis=1)  //返回y中最大值的索引，即预测的分类
        pred=tf.cast(pred,dtype=y_test.dtype)  //调整数据类型与标签一致
        correct=tf.cast(tf.equal(pred,y_test),dtype=tf.int32)
        correct=tf.reduce_sum(correct)  //将所有batch的correct数加起来
        total_correct +=int(correct)  //将所有batch中的数加起来
        total_number+=x_test.shape[0]
 acc = total_correct / total_number
 test_acc.append(acc)
 print("Test_acc:", acc)

）。

五、loss/acc可视化

（

这里绘制loss曲线

plt.title('Loss Function Curve')  # 图片标题
plt.xlabel('Epoch')  # x轴变量名称
plt.ylabel('Loss')  # y轴变量名称
plt.plot(train_loss_results, label="$Loss$")  # 逐点画出trian_loss_results值并连线，连线图标是Loss
plt.legend()  # 画出曲线图标
plt.show()  # 画出图像

在这里绘制 Accuracy 曲线

plt.title('Acc Curve')  # 图片标题
plt.xlabel('Epoch')  # x轴变量名称
plt.ylabel('Acc')  # y轴变量名称
plt.plot(test_acc, label="$Accuracy$")  # 逐点画出test_acc值并连线，连线图标是Accuracy
plt.legend()
plt.show()

）。

最后，附整个代码：

# 导入所需模块
import tensorflow as tf
from sklearn import datasets
from matplotlib import pyplot as plt
import numpy as np

# 导入数据，分别为输入特征和标签
x_data = datasets.load_iris().data
y_data = datasets.load_iris().target

# 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）
# 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）
np.random.seed(116)  # 使用相同的seed，保证输入特征和标签一一对应
np.random.shuffle(x_data)
np.random.seed(116)
np.random.shuffle(y_data)
tf.random.set_seed(116)

# 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
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)

# 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）
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)

# 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
# 用tf.Variable()标记参数可训练
# 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）
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))

lr = 0.1  # 学习率为0.1
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
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
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

# 训练部分
for epoch in range(epoch):  #数据集级别的循环，每个epoch循环一次数据集
    for step, (x_train, y_train) in enumerate(train_db):  #batch级别的循环 ，每个step循环一个batch
        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（此操作后与独热码同量级，可相减求loss）
            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
            loss = tf.reduce_mean(tf.square(y_ - y))  # 采用均方误差损失函数mse = mean(sum(y-out)^2)
            loss_all += loss.numpy()  # 将每个step计算出的loss累加，为后续求loss平均值提供数据，这样计算的loss更准确
        # 计算loss对各个参数的梯度
        grads = tape.gradient(loss, [w1, b1])

        # 实现梯度更新 w1 = w1 - lr * w1_grad    b = b - lr * b_grad
        w1.assign_sub(lr * grads[0])  # 参数w1自更新
        b1.assign_sub(lr * grads[1])  # 参数b自更新

    # 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归零，为记录下一个epoch的loss做准备

    # 测试部分
    # 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
    total_correct, total_number = 0, 0
    for x_test, y_test in test_db:
        # 使用更新后的参数进行预测
        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转换为y_test的数据类型
        pred = tf.cast(pred, dtype=y_test.dtype)
        # 若分类正确，则correct=1，否则为0，将bool型的结果转换为int型
        correct = tf.cast(tf.equal(pred, y_test), dtype=tf.int32)
        # 将每个batch的correct数加起来
        correct = tf.reduce_sum(correct)
        # 将所有batch中的correct数加起来
        total_correct += int(correct)
        # 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
        total_number += x_test.shape[0]
    # 总的准确率等于total_correct/total_number
    acc = total_correct / total_number
    test_acc.append(acc)
    print("Test_acc:", acc)
    print("--------------------------")

# 绘制 loss 曲线
plt.title('Loss Function Curve')  # 图片标题
plt.xlabel('Epoch')  # x轴变量名称
plt.ylabel('Loss')  # y轴变量名称
plt.plot(train_loss_results, label="$Loss$")  # 逐点画出trian_loss_results值并连线，连线图标是Loss
plt.legend()  # 画出曲线图标
plt.show()  # 画出图像

# 绘制 Accuracy 曲线
plt.title('Acc Curve')  # 图片标题
plt.xlabel('Epoch')  # x轴变量名称
plt.ylabel('Acc')  # y轴变量名称
plt.plot(test_acc, label="$Accuracy$")  # 逐点画出test_acc值并连线，连线图标是Accuracy
plt.legend()
plt.show()

到这里就全部结束啦，奇妙的深度学习，我们一起加油！！

转载请表明来处，谢谢。