Adagrad优化器.py

"""
利用鸢尾花数据集，实现前向传播、反向传播，可视化loss曲线
"""

# 模块导入
import time
import numpy as np
import tensorflow as tf

from sklearn import datasets
from matplotlib import pyplot as plt

# 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：随机种子，是一个整数，当设置之后，每次生成的随机数都一样
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，训练集前120行，测试集后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
# 是3分类（0：狗尾草鸢；1：:杂色鸢尾；2：弗吉尼亚鸢尾），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
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4个step生成的4和loss的和

# 超参数
v_w, v_b = 0, 0

# 训练部分
now_time = time.time()
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
        v_w += tf.square(grads[0])
        v_b += tf.square(grads[1])
        w1.assign_sub(lr * grads[0] / tf.sqrt(v_w))     # 参数w1自更新
        b1.assign_sub(lr * grads[1] / tf.sqrt(v_b))     # 参数w1自更新

    # 每个epoch，打印loss信息
    print(f"Epoch {epoch}, loss: {loss_all / 4}")
    # 将4个step的loss求平均记录在train_loss_results中
    train_loss_results.append(loss_all / 4)
    # loss_all归零，为记录下一个epoch的loss做准备
    loss_all = 0

    # 测试部分
    # total_correct：预测正确的样本个数
    # total_number：测试的总样本数
    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)
        # 返回y中最大值的索引，即预测的分类
        pred = tf.argmax(y, axis=1)
        # 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]返回变量的函数
        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(f"Test acc: {acc}")
    print("-----------------------")

total_time = time.time() - now_time
print(f"total_time: {total_time}")

# 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train_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 acc 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()    # 画出曲线图标
plt.show()  # 画出图像