-
Notifications
You must be signed in to change notification settings - Fork 0
/
SGD优化器.py
125 lines (106 loc) · 5.34 KB
/
SGD优化器.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
"""
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)
tran_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
# 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(test_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
# b1 = b1 - lr * b1_grad
w1.assign_sub(lr * grads[0]) # 参数w1自更新
b1.assign_sub(lr * grads[1]) # 参数b1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("Acc") # 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