BP神经网络训练自己的数据(Tensorflow2.x版本)
Posted 伤心兮
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了BP神经网络训练自己的数据(Tensorflow2.x版本)相关的知识,希望对你有一定的参考价值。
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
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)
以上是关于BP神经网络训练自己的数据(Tensorflow2.x版本)的主要内容,如果未能解决你的问题,请参考以下文章
BP神经网络训练自己的数据(Tensorflow2.x版本)
BP神经网络的模型已经训练好,想用多一些数据继续训练,怎么在原来的基础上训练呢?