BP神经网络训练自己的数据(Tensorflow2.x版本)

Posted 2022-10-03 伤心兮

一、开发环境

• python3.6
• Tensorflow2.x
• numpy1.19
• matplotlib3.3
• scikit-learn0.24

二、数据集介绍

本次训练数据使用的是鸢尾花数据集，具体做法是将鸢尾花数据集保存在本地，充当自己的数据集。鸢尾花数据集中内包含 3 个类分别为山鸢尾（Iris-setosa）、变色鸢尾（Iris-versicolor）和维吉尼亚鸢尾（Iris-virginica），共 150 条记录，每类各 50 个数据，每条记录都有 4 项特征：花萼长度、花萼宽度、花瓣长度、花瓣宽度。其部分数据如下：

花萼长度	花萼宽度	花瓣长度	花瓣宽度	所属类别
5.1	3.5	1.4	0.2	山鸢尾
4.9	3	1.4	0.2	山鸢尾
……	……	……	……	……
5.5	2.4	3.7	1	变色鸢尾
5.8	2.7	3.9	1.2	变色鸢尾
……	……	……	……	……
6.2	3.4	5.4	2.3	维吉尼亚鸢尾
5.9	3	5.1	1.8	维吉尼亚鸢尾

三、BP神经算法推导与结构

见《BP神经网络算法推导》

四、文件介绍

--data 
	--x_train.txt（用于存放训练数据）
	--result.txt(用于存放标签数据)
--train.py（训练脚本）
--predict.py（预测脚本）

五、程序代码

• train.py

# -*- coding: utf-8 -*-

import tensorflow as tf
import numpy as np
import os
from matplotlib import pyplot as plt
from sklearn.model_selection import train_test_split


def main():
    np.set_printoptions(threshold=np.inf)   # 设置打印/存取无行数/列数上限

    # 1.读取文件
    x_ = np.loadtxt('./data/x_train.txt')       # 训练数据
    y_ = np.loadtxt('./data/result.txt')        # 标签数据
    x_train, x_test, y_train, y_test = train_test_split(x_, y_, test_size=0.25)   # 将数据集分为训练集和验证集

    # 2.定义模型
    model = tf.keras.models.Sequential([
        # tf.keras.layers.Dense(64, activation='relu'),
        tf.keras.layers.Dense(10, activation='relu'),
        tf.keras.layers.Dense(3, activation='softmax')
    ])

    # 3.模型总结(用于查看模型参数和结构)
    model.build((32, 4))  # when using subclass model
    model.summary()

    # 4.定义优化方法和损失函数等
    model.compile(optimizer='adam',
                  loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
                  metrics=['sparse_categorical_accuracy'])

    # 5.模型保存（可以断点集训）
    checkpoint_save_path = "./checkpoint/mask.ckpt"
    if os.path.exists(checkpoint_save_path + '.index'):
        print('-------------load the model-----------------')
        model.load_weights(checkpoint_save_path)

    cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_save_path,
                                                     save_weights_only=True,
                                                     save_best_only=True)
    # 6.开始训练
    history = model.fit(x_train, y_train, batch_size=32, epochs=1000, validation_data=(x_test, y_test), validation_freq=1,
                        callbacks=[cp_callback])
    print(x_train)
    print(y_train)

    # 7.保存模型参数
    file = open('./weights.txt', 'w')
    for v in model.trainable_variables:
        file.write(str(v.name) + '\\n')
        file.write(str(v.shape) + '\\n')
        file.write(str(v.numpy()) + '\\n')
    file.close()

    # 8.显示训练集和验证集的acc和loss曲线
    acc = history.history['sparse_categorical_accuracy']
    val_acc = history.history['val_sparse_categorical_accuracy']
    loss = history.history['loss']
    val_loss = history.history['val_loss']

    plt.subplot(1, 2, 1)
    plt.plot(acc, label='Training Accuracy')
    plt.plot(val_acc, label='Validation Accuracy')
    plt.title('Training and Validation Accuracy')
    plt.legend()

    plt.subplot(1, 2, 2)
    plt.plot(loss, label='Training Loss')
    plt.plot(val_loss, label='Validation Loss')
    plt.title('Training and Validation Loss')
    plt.legend()
    plt.show()


if __name__ == '__main__':
    main()

• predict.py

import tensorflow as tf
import numpy as np


def main():
    # 1. 加载数据
    x_train = np.loadtxt('./data/x_train.txt')
    y_train = np.loadtxt('./data/result.txt')

    # 2.定义模型（须和训练脚本（train.py）一致）
    model = tf.keras.models.Sequential([
        # tf.keras.layers.Dense(64, activation='relu'),
        tf.keras.layers.Dense(10, activation='relu'),
        tf.keras.layers.Dense(3, activation='softmax')
    ])

    # 3.加载模型
    model_save_path = './checkpoint/mask.ckpt'
    model.load_weights(model_save_path)

    # 4.进行预测
    result = model.predict(x_train)
    pred = np.array(tf.argmax(result, axis=1))      # 预测值
    acc = np.sum([pred[i] == y_train[i] for i in range(len(y_train))])/len(y_train)     # 计算准确率
    print(f'准确率为:acc*100%')


if __name__ == '__main__':
    main()

六、结果展示

• 最终经过1000个epochs之后，准确率达到98%左右。

• 最后使用predict.py计算训练样本准确率为98.6%（这样做法其实是不对的，应该使用新的数据来评估模型的准确率与泛化能力）