第二讲 神经网路优化 --SGD-MOMEMTUN
Posted wbloger
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了第二讲 神经网路优化 --SGD-MOMEMTUN相关的知识,希望对你有一定的参考价值。
1 # 利用鸢尾花数据集,实现前向传播、反向传播,可视化loss曲线 2 3 # 导入所需模块 4 import tensorflow as tf 5 from sklearn import datasets 6 from matplotlib import pyplot as plt 7 import numpy as np 8 import time 9 10 11 # 导入数据,分别为输入特征和标签 12 x_data = datasets.load_iris().data 13 y_data = datasets.load_iris().target 14 15 # 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) 16 # 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) 17 np.random.seed(116) 18 np.random.shuffle(x_data) 19 np.random.seed(116) 20 np.random.shuffle(y_data) 21 tf.random.set_seed(116) 22 23 24 25 # 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 26 x_train = x_data[:-30] 27 y_train = y_data[:-30] 28 x_test = x_data[-30:] 29 y_test = y_data[-30:] 30 31 # 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 32 x_train = tf.cast(x_train, tf.float32) 33 x_test = tf.cast(x_test, tf.float32) 34 35 # 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) 36 train_db = tf.data.Dataset.from_tensor_slices((x_train, y_train)).batch(32) 37 test_db = tf.data.Dataset.from_tensor_slices((x_test, y_test)).batch(32) 38 39 40 # 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 41 # 用tf.Variable()标记参数可训练 42 # 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) 43 44 w1 = tf.Variable(tf.random.truncated_normal([4, 3], stddev=0.1, seed=1)) 45 b1 = tf.Variable(tf.random.truncated_normal([3], stddev=1, seed=1)) 46 47 48 lr = 0.1 # 学习率为0.1 49 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 50 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 51 epoch = 500 # 循环500轮 52 loss_all = 0 # 每轮分4个step,loss_all记录四个step生成的4个loss的和 53 54 m_w, m_b = 0, 0 55 beta = 0.9 56 57 58 # 训练部分 59 now_time = time.time() 60 for epoch in range(epoch):# 数据集级别的循环,每个epoch循环一次数据集 61 for step, (x_train, y_train) in enumerate(train_db):# batch级别的循环 ,每个step循环一个batch 62 with tf.GradientTape() as tape:# with结构记录梯度信息 63 y = tf.matmul(x_train, w1) + b1 # 神经网络乘加运算 64 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) 65 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 66 loss = tf.reduce_mean(tf.square(y_ - y)) # 采用均方误差损失函数mse = mean(sum(y-out)^2) 67 loss_all += loss.numpy() 68 # 计算loss对各个参数的梯度 69 grads = tape.gradient(loss, [w1, b1]) 70 71 #sgd-momentun 72 m_w = beta * m_w + (1 - beta) * grads[0] 73 m_b = beta * m_b + (1 - beta) * grads[1] 74 w1.assign_sub(lr * m_w) 75 b1.assign_sub(lr * m_b) 76 77 # 每个epoch,打印loss信息 78 print("Epoch {}, loss: {}".format(epoch, loss_all / 4)) 79 train_loss_results.append(loss_all / 4) # 将4个step的loss求平均记录在此变量中 80 loss_all = 0 # loss_all归零,为记录下一个epoch的loss做准备 81 82 83 # 测试部分 84 # 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 85 total_correct, total_number = 0, 0 86 for x_test, y_test in test_db: 87 #使用更新后的参数进行预测 88 y = tf.matmul(x_test, w1) + b1 89 y = tf.nn.softmax(y) 90 pred = tf.argmax(y, axis=1) # 返回y中最大值的索引,即预测的分类 91 # 将pred转换为y_test的数据类型 92 pred = tf.cast(pred, dtype=y_test.dtype) 93 # 若分类正确,则correct=1,否则为0,将bool型的结果转换为int型 94 correct = tf.cast(tf.equal(pred, y_test), dtype = tf.int32) 95 # 将每个batch的correct数加起来 96 correct = tf.reduce_sum(correct) 97 # 将所有batch中的correct数加起来 98 total_correct += int(correct) 99 # 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 100 total_number += x_test.shape[0] 101 # 总的准确率等于total_correct/total_number 102 acc = total_correct / total_number 103 test_acc.append(acc) 104 print("Test_acc:", acc) 105 print("------------------------------------") 106 107 total_time = time.time() - now_time 108 print("total_time", total_time) 109 110 111 # 绘制 loss 曲线 112 plt.title("Loss Function Curve") 113 plt.xlabel("Epoch") 114 plt.ylabel("Loss") 115 plt.plot(train_loss_results, label="$Loss$") 116 plt.legend() 117 plt.show() 118 119 120 # 绘制 Accuracy 曲线 121 plt.title("Acc Curve") 122 plt.xlabel("Epoch") 123 plt.ylabel("Acc") 124 plt.plot(test_acc, label="$Accuracy$") 125 plt.legend() 126 plt.show()
以上是关于第二讲 神经网路优化 --SGD-MOMEMTUN的主要内容,如果未能解决你的问题,请参考以下文章
《机器学习》兴趣小组第二讲: 聚类算法神经网络及其在量化选股中的实践