人工智慧實踐：Tensorflow筆記：程式碼總結（2）
1.where（a,b,c)：
關係式a成立，取b，關係式a不成立，取c。
a = tf.constant([1, 2, 3, 4, 5], dtype=tf.int32)
b = tf.constant([5, 4, 3, 2, 1], dtype=tf.int32)
c = tf.where(tf.greater(a, b), a, b)
d = tf.where(tf.less(a, b), a, b)
print(c)
print(d)
2。numpy的隨機數：
rdm = np.random.RandomState(seed=1)
a = rdm.rand() # 返回一個隨機標量
b = rdm.rand(2, 3) # 返回一個大小為2行3列的隨機矩陣
print("a:", a)
print("b:", b)1.形狀描述不是使用元組
2.括號內是形狀而不是範圍。
3。vstack：矩陣每行的元素的個數相同時，在垂直方向上進行疊加。
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
c = np.vstack((a, b))
print("c:\n", c)
4。mgrid：生成等間隔數值點 格式為 起始值-結束值-步長。
x, y = np.mgrid[1:3:1, 2:4:0.5]
5。ravel：將多維陣列變成一維的。
6。np.c_：兩個一維張量進行配對。
上述三個的程式碼：np的。
x, y = np.mgrid[1:3:1, 2:4:0.5]
# ravel：多維陣列變成了一維陣列。
# np。c—_ 兩個進行配對。
grid = np.c_[x.ravel(), y.ravel()]
print("x:\n", x)
print("y:\n", y)
print("x.ravel():\n", x.ravel())
print("y.ravel():\n", y.ravel())
print('grid:\n', grid)7，學習率的指數衰減公式：原始學習率X（學習率衰減率）^(epoch/指定的數）
這樣就可以控制每多少次epoch更新一次學習率。
import tensorflow as tf
w = tf.Variable(tf.constant(5, dtype=tf.float32))
# 使用了指數衰減學習率。
epoch = 40
LR_BASE = 0.2 # 最初學習率
LR_DECAY = 0.99 # 學習率衰減率
LR_STEP = 1 # 喂入多少輪BATCH_SIZE後，更新一次學習率
for epoch in range(epoch): # for epoch 定義頂層迴圈，表示對資料集迴圈epoch次，此例資料集資料僅有1個w,初始化時候constant賦值為5，迴圈100次迭代。
lr = LR_BASE * LR_DECAY ** (epoch / LR_STEP) # 利用了指數衰減的那個公式動態的更新學習率。
with tf.GradientTape() as tape: # with結構到grads框起了梯度的計算過程。
loss = tf.square(w + 1)
grads = tape.gradient(loss, w) # .gradient函式告知誰對誰求導
w.assign_sub(lr * grads) # .assign_sub 對變數做自減 即：w -= lr*grads 即 w = w - lr*grads
print("After %s epoch,w is %f,loss is %f,lr is %f" % (epoch, w.numpy(), loss, lr))8。sigmoid啟用函式：
9，tanh啟用函式：
10，relu啟用函式：
11，leaky relu啟用函式：
12，均方誤差作為啟用函式：
loss_mse = tf.reduce_mean(tf.square(y_ - y))
import tensorflow as tf
import numpy as np
SEED = 23455
rdm = np.random.RandomState(seed=SEED) # 生成[0,1)之間的隨機數
# rand後是維度，表示的是生成 32行 2列的資料。
x = rdm.rand(32, 2)
y_ = [[x1 + x2 + (rdm.rand() / 10.0 - 0.05)] for (x1, x2) in x] # 生成噪聲[0,1)/10=[0,0.1); [0,0.1)-0.05=[-0.05,0.05)
x = tf.cast(x, dtype=tf.float32)
w1 = tf.Variable(tf.random.normal([2, 1], stddev=1, seed=1))
epoch = 15000
lr = 0.002
for epoch in range(epoch):
with tf.GradientTape() as tape:
y = tf.matmul(x, w1)
# 均方函式誤差。
loss_mse = tf.reduce_mean(tf.square(y_ - y))
grads = tape.gradient(loss_mse, w1)
w1.assign_sub(lr * grads)
if epoch % 500 == 0:
print('------')
print("After %d training steps,w1 is " % (epoch))
print(w1.numpy(), "\n")
print("Final w1 is: ", w1.numpy())13，自定義損失函式：
import tensorflow as tf
import numpy as np
SEED = 23455
COST = 1
PROFIT = 99
rdm = np.random.RandomState(SEED)
x = rdm.rand(32, 2)
y_ = [[x1 + x2 + (rdm.rand() / 10.0 - 0.05)] for (x1, x2) in x] # 生成噪聲[0,1)/10=[0,0.1); [0,0.1)-0.05=[-0.05,0.05)
x = tf.cast(x, dtype=tf.float32)
w1 = tf.Variable(tf.random.normal([2, 1], stddev=1, seed=1))
epoch = 10000
lr = 0.002
for epoch in range(epoch):
with tf.GradientTape() as tape:
y = tf.matmul(x, w1)
# tf。where的語句，如果y大於y—— 執行第一個，否則執行第二個。
loss = tf.reduce_sum(tf.where(tf.greater(y, y_), (y - y_) * COST, (y_ - y) * PROFIT))
grads = tape.gradient(loss, w1)
w1.assign_sub(lr * grads)
if epoch % 500 == 0:
print("After %d training steps,w1 is " % (epoch))
print(w1.numpy(), "\n")
print("Final w1 is: ", w1.numpy())
# 自定義損失函式
# 酸奶成本1元， 酸奶利潤99元
# 成本很低，利潤很高，人們希望多預測些，生成模型係數大於1，往多了預測14，交叉熵損失函式：評判 標準值 和 預測值 之間差距。多個預測值，熵越小的說明越接近標準值。
loss_ce1 = tf.losses.categorical_crossentropy([1, 0], [0.6, 0.4]) 第一個引數是標準的，第二個引數是預測的。
15，softmax對二維的進行求解時。
y = np.array([[12, 3, 2], [3, 10, 1], [1, 2, 5], [4, 6.5, 1.2], [3, 6, 1]])
y_pro = tf.nn.softmax(y)
print(tf.reduce_sum(y_pro, axis=0))
print(tf.reduce_sum(y_pro, axis=1))
print(y_pro)結果：
軸為1時的計算是正確的，說明按照行求和的值才為1。因此softmax對二維的求解時，相當於對每一行進行求解
16，tf.nn.softmax_cross_entropy_with_logits(y_, y)：一般來說，在一些問題都會先把解轉化為概率和為1 的（用sotfmax），然後用交叉熵進行比較。可以直接呼叫這一個函式實現這兩步。
17，非線性的啟用函式寫在哪裡呢？
嗯，非常合理：
18，緩解過擬合的正則化，
# 匯入所需模組
import tensorflow as tf
from matplotlib import pyplot as plt
import numpy as np
import pandas as pd
# 讀入資料/標籤 生成x_train y_train
df = pd.read_csv('dot.csv')
x_data = np.array(df[['x1', 'x2']]) # 300行 2列
y_data = np.array(df['y_c']) # 1維向量 大小300
# 不明白這段程式碼的意義？
x_train = np.vstack(x_data).reshape(-1, 2)
y_train = np.vstack(y_data).reshape(-1, 1)
Y_c = [['red' if y else 'blue'] for y in y_train]
# 轉換x的資料型別，否則後面矩陣相乘時會因資料型別問題報錯
x_train = tf.cast(x_train, tf.float32)
y_train = tf.cast(y_train, tf.float32)
# from_tensor_slices函式切分傳入的張量的第一個維度，生成相應的資料集，使輸入特徵和標籤值一一對應
train_db = tf.data.Dataset.from_tensor_slices((x_train, y_train)).batch(32)
# 生成神經網路的引數，輸入層為2個神經元，隱藏層為11個神經元，1層隱藏層，輸出層為1個神經元
# 用tf.Variable()保證引數可訓練
w1 = tf.Variable(tf.random.normal([2, 11]), dtype=tf.float32)
b1 = tf.Variable(tf.constant(0.01, shape=[11]))
w2 = tf.Variable(tf.random.normal([11, 1]), dtype=tf.float32)
b2 = tf.Variable(tf.constant(0.01, shape=[1]))
lr = 0.01 # 學習率
epoch = 400 # 迴圈輪數
# 訓練部分
for epoch in range(epoch):
for step, (x_train, y_train) in enumerate(train_db):
with tf.GradientTape() as tape: # 記錄梯度資訊
h1 = tf.matmul(x_train, w1) + b1 # 記錄神經網路乘加運算
h1 = tf.nn.relu(h1)
y = tf.matmul(h1, w2) + b2
# 採用均方誤差損失函式mse = mean(sum(y-out)^2)
loss = tf.reduce_mean(tf.square(y_train - y))
# 計算loss對各個引數的梯度
variables = [w1, b1, w2, b2]
grads = tape.gradient(loss, variables)
# 實現梯度更新
# w1 = w1 - lr * w1_grad tape.gradient是自動求導結果與[w1, b1, w2, b2] 索引為0，1，2，3
w1.assign_sub(lr * grads[0])
b1.assign_sub(lr * grads[1])
w2.assign_sub(lr * grads[2])
b2.assign_sub(lr * grads[3])
# 每20個epoch，列印loss資訊
if epoch % 20 == 0:
print('epoch:', epoch, 'loss:', float(loss))
# 預測部分
print("*******predict*******")
# xx在-3到3之間以步長為0.01，yy在-3到3之間以步長0.01,生成間隔數值點
xx, yy = np.mgrid[-3:3:.1, -3:3:.1]
# 將xx , yy拉直，併合並配對為二維張量，生成二維座標點
grid = np.c_[xx.ravel(), yy.ravel()]
grid = tf.cast(grid, tf.float32)
# 將網格座標點喂入神經網路，進行預測，probs為輸出
probs = []
for x_test in grid:
# 使用訓練好的引數進行預測
h1 = tf.matmul([x_test], w1) + b1
h1 = tf.nn.relu(h1)
y = tf.matmul(h1, w2) + b2 # y為預測結果
probs.append(y)
# 取第0列給x1，取第1列給x2
x1 = x_data[:, 0]
x2 = x_data[:, 1]
# probs的shape調整成xx的樣子
probs = np.array(probs).reshape(xx.shape)
plt.scatter(x1, x2, color=np.squeeze(Y_c)) #squeeze去掉緯度是1的緯度,相當於去掉[['red'],[''blue]],內層括號變為['red','blue']
# 把座標xx yy和對應的值probs放入contour<[‘kɑntʊr]>函式，給probs值為0.5的所有點上色 plt點show後 顯示的是紅藍點的分界線
plt.contour(xx, yy, probs, levels=[.5])
plt.show()
# 讀入紅藍點，畫出分割線，不包含正則化
# 不清楚的資料，建議print出來檢視 正則化程式碼：
# 匯入所需模組
import tensorflow as tf
from matplotlib import pyplot as plt
import numpy as np
import pandas as pd
# 讀入資料/標籤 生成x_train y_train
df = pd.read_csv('dot.csv')
x_data = np.array(df[['x1', 'x2']])
y_data = np.array(df['y_c'])
print('y_data', y_data.shape)
x_train = x_data
y_train = y_data.reshape(-1, 1)
print('y_train', y_train)
Y_c = [['red' if y else 'blue'] for y in y_train]
# 轉換x的資料型別，否則後面矩陣相乘時會因資料型別問題報錯
x_train = tf.cast(x_train, tf.float32)
y_train = tf.cast(y_train, tf.float32)
# from_tensor_slices函式切分傳入的張量的第一個維度，生成相應的資料集，使輸入特徵和標籤值一一對應
train_db = tf.data.Dataset.from_tensor_slices((x_train, y_train)).batch(32)
# 生成神經網路的引數，輸入層為4個神經元，隱藏層為32個神經元，2層隱藏層，輸出層為3個神經元
# 用tf.Variable()保證引數可訓練
w1 = tf.Variable(tf.random.normal([2, 11]), dtype=tf.float32)
b1 = tf.Variable(tf.constant(0.01, shape=[11]))
w2 = tf.Variable(tf.random.normal([11, 1]), dtype=tf.float32)
b2 = tf.Variable(tf.constant(0.01, shape=[1]))
lr = 0.01 # 學習率為
epoch = 400 # 迴圈輪數
# 訓練部分
for epoch in range(epoch):
for step, (x_train, y_train) in enumerate(train_db):
with tf.GradientTape() as tape: # 記錄梯度資訊
h1 = tf.matmul(x_train, w1) + b1 # 記錄神經網路乘加運算
h1 = tf.nn.relu(h1)
y = tf.matmul(h1, w2) + b2
# 採用均方誤差損失函式mse = mean(sum(y-out)^2)
loss_mse = tf.reduce_mean(tf.square(y_train - y))
# 新增l2正則化
loss_regularization = []
# tf.nn.l2_loss(w)=sum(w ** 2) / 2
loss_regularization.append(tf.nn.l2_loss(w1))
loss_regularization.append(tf.nn.l2_loss(w2))
# 求和
# 例：x=tf.constant(([1,1,1],[1,1,1]))
# tf.reduce_sum(x)
# >>>6
# loss_regularization = tf.reduce_sum(tf.stack(loss_regularization))
loss_regularization = tf.reduce_sum(loss_regularization)
loss = loss_mse + 0.03 * loss_regularization
# REGULARIZER = 0.03
# 計算loss對各個引數的梯度
variables = [w1, b1, w2, b2]
grads = tape.gradient(loss, variables)
# 實現梯度更新
# w1 = w1 - lr * w1_grad
w1.assign_sub(lr * grads[0])
b1.assign_sub(lr * grads[1])
w2.assign_sub(lr * grads[2])
b2.assign_sub(lr * grads[3])
# 每200個epoch，列印loss資訊
if epoch % 20 == 0:
print('epoch:', epoch, 'loss:', float(loss))
# 預測部分
print("*******predict*******")
# xx在-3到3之間以步長為0.01，yy在-3到3之間以步長0.01,生成間隔數值點
xx, yy = np.mgrid[-3:3:.1, -3:3:.1]
# 將xx, yy拉直，併合並配對為二維張量，生成二維座標點
grid = np.c_[xx.ravel(), yy.ravel()]
grid = tf.cast(grid, tf.float32)
# 將網格座標點喂入神經網路，進行預測，probs為輸出
probs = []
for x_predict in grid:
# 使用訓練好的引數進行預測
h1 = tf.matmul([x_predict], w1) + b1
h1 = tf.nn.relu(h1)
y = tf.matmul(h1, w2) + b2 # y為預測結果
probs.append(y)
# 取第0列給x1，取第1列給x2
x1 = x_data[:, 0]
x2 = x_data[:, 1]
# probs的shape調整成xx的樣子
probs = np.array(probs).reshape(xx.shape)
plt.scatter(x1, x2, color=np.squeeze(Y_c))
# 把座標xx yy和對應的值probs放入contour<[‘kɑntʊr]>函式，給probs值為0.5的所有點上色 plt點show後 顯示的是紅藍點的分界線
plt.contour(xx, yy, probs, levels=[.5])
plt.show()
# 讀入紅藍點，畫出分割線，包含正則化
# 不清楚的資料，建議print出來檢視 19，優化器，不同的優化器實質上只是定義了不同的一階動量和二階動量的公式。
20，sgd優化器：
# 利用鳶尾花資料集，實現前向傳播、反向傳播，視覺化loss曲線
# 匯入所需模組
import tensorflow as tf
from sklearn import datasets
from matplotlib import pyplot as plt
import numpy as np
import time ##1##
# 匯入資料，分別為輸入特徵和標籤
x_data = datasets.load_iris().data
y_data = datasets.load_iris().target
# 隨機打亂資料（因為原始資料是順序的，順序不打亂會影響準確率）
# seed: 隨機數種子，是一個整數，當設定之後，每次生成的隨機數都一樣（為方便教學，以保每位同學結果一致）
np.random.seed(116) # 使用相同的seed，保證輸入特徵和標籤一一對應
np.random.shuffle(x_data)
np.random.seed(116)
np.random.shuffle(y_data)
tf.random.set_seed(116)
# 將打亂後的資料集分割為訓練集和測試集，訓練集為前120行，測試集為後30行
x_train = x_data[:-30]
y_train = y_data[:-30]
x_test = x_data[-30:]
y_test = y_data[-30:]
# 轉換x的資料型別，否則後面矩陣相乘時會因資料型別不一致報錯
x_train = tf.cast(x_train, tf.float32)
x_test = tf.cast(x_test, tf.float32)
# from_tensor_slices函式使輸入特徵和標籤值一一對應。（把資料集分批次，每個批次batch組資料）
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)
# 生成神經網路的引數，4個輸入特徵故，輸入層為4個輸入節點；因為3分類，故輸出層為3個神經元
# 用tf.Variable()標記引數可訓練
# 使用seed使每次生成的隨機數相同（方便教學，使大家結果都一致，在現實使用時不寫seed）
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 # 學習率為0.1
train_loss_results = [] # 將每輪的loss記錄在此列表中，為後續畫loss曲線提供資料
test_acc = [] # 將每輪的acc記錄在此列表中，為後續畫acc曲線提供資料
epoch = 500 # 迴圈500輪
loss_all = 0 # 每輪分4個step，loss_all記錄四個step生成的4個loss的和
# 訓練部分
now_time = time.time() ##2##
for epoch in range(epoch): # 資料集級別的迴圈，每個epoch迴圈一次資料集
for step, (x_train, y_train) in enumerate(train_db): # batch級別的迴圈 ，每個step迴圈一個batch
with tf.GradientTape() as tape: # with結構記錄梯度資訊
y = tf.matmul(x_train, w1) + b1 # 神經網路乘加運算
y = tf.nn.softmax(y) # 使輸出y符合概率分佈（此操作後與獨熱碼同量級，可相減求loss）
y_ = tf.one_hot(y_train, depth=3) # 將標籤值轉換為獨熱碼格式，方便計算loss和accuracy
loss = tf.reduce_mean(tf.square(y_ - y)) # 採用均方誤差損失函式mse = mean(sum(y-out)^2)
loss_all += loss.numpy() # 將每個step計算出的loss累加，為後續求loss平均值提供資料，這樣計算的loss更準確
# 計算loss對各個引數的梯度
grads = tape.gradient(loss, [w1, b1])
# 實現梯度更新 w1 = w1 - lr * w1_grad b = b - lr * b_grad
w1.assign_sub(lr * grads[0]) # 引數w1自更新
b1.assign_sub(lr * grads[1]) # 引數b自更新
# 每個epoch，列印loss資訊
print("Epoch {}, loss: {}".format(epoch, loss_all / 4))
train_loss_results.append(loss_all / 4) # 將4個step的loss求平均記錄在此變數中
loss_all = 0 # loss_all歸零，為記錄下一個epoch的loss做準備
# 測試部分
# total_correct為預測對的樣本個數, total_number為測試的總樣本數，將這兩個變數都初始化為0
total_correct, total_number = 0, 0
for x_test, y_test in test_db:
# 使用更新後的引數進行預測
y = tf.matmul(x_test, w1) + b1
y = tf.nn.softmax(y)
pred = tf.argmax(y, axis=1) # 返回y中最大值的索引，即預測的分類
# 將pred轉換為y_test的資料型別
pred = tf.cast(pred, dtype=y_test.dtype)
# 若分類正確，則correct=1，否則為0，將bool型的結果轉換為int型
correct = tf.cast(tf.equal(pred, y_test), dtype=tf.int32)
# 將每個batch的correct數加起來
correct = tf.reduce_sum(correct)
# 將所有batch中的correct數加起來
total_correct += int(correct)
# total_number為測試的總樣本數，也就是x_test的行數，shape[0]返回變數的行數
total_number += x_test.shape[0]
# 總的準確率等於total_correct/total_number
acc = total_correct / total_number
test_acc.append(acc)
print("Test_acc:", acc)
print("--------------------------")
total_time = time.time() - now_time ##3##
print("total_time", total_time) ##4##
# 繪製 loss 曲線
plt.title('Loss Function Curve') # 圖片標題
plt.xlabel('Epoch') # x軸變數名稱
plt.ylabel('Loss') # y軸變數名稱
plt.plot(train_loss_results, label="$Loss$") # 逐點畫出trian_loss_results值並連線，連線圖示是Loss
plt.legend() # 畫出曲線圖示
plt.show() # 畫出影像
# 繪製 Accuracy 曲線
plt.title('Acc Curve') # 圖片標題
plt.xlabel('Epoch') # x軸變數名稱
plt.ylabel('Acc') # y軸變數名稱
plt.plot(test_acc, label="$Accuracy$") # 逐點畫出test_acc值並連線，連線圖示是Accuracy
plt.legend()
plt.show()
# 本檔案較 class1\p45_iris.py 僅新增四處時間記錄 用 ##n## 標識
# 請將loss曲線、ACC曲線、total_time記錄到 class2\優化器對比.docx 對比各優化器收斂情況
21，SGDM優化器：
# 利用鳶尾花資料集，實現前向傳播、反向傳播，視覺化loss曲線
# 匯入所需模組
import tensorflow as tf
from sklearn import datasets
from matplotlib import pyplot as plt
import numpy as np
import time ##1##
# 匯入資料，分別為輸入特徵和標籤
x_data = datasets.load_iris().data
y_data = datasets.load_iris().target
# 隨機打亂資料（因為原始資料是順序的，順序不打亂會影響準確率）
# seed: 隨機數種子，是一個整數，當設定之後，每次生成的隨機數都一樣（為方便教學，以保每位同學結果一致）
np.random.seed(116) # 使用相同的seed，保證輸入特徵和標籤一一對應
np.random.shuffle(x_data)
np.random.seed(116)
np.random.shuffle(y_data)
tf.random.set_seed(116)
# 將打亂後的資料集分割為訓練集和測試集，訓練集為前120行，測試集為後30行
x_train = x_data[:-30]
y_train = y_data[:-30]
x_test = x_data[-30:]
y_test = y_data[-30:]
# 轉換x的資料型別，否則後面矩陣相乘時會因資料型別不一致報錯
x_train = tf.cast(x_train, tf.float32)
x_test = tf.cast(x_test, tf.float32)
# from_tensor_slices函式使輸入特徵和標籤值一一對應。（把資料集分批次，每個批次batch組資料）
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)
# 生成神經網路的引數，4個輸入特徵故，輸入層為4個輸入節點；因為3分類，故輸出層為3個神經元
# 用tf.Variable()標記引數可訓練
# 使用seed使每次生成的隨機數相同（方便教學，使大家結果都一致，在現實使用時不寫seed）
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 # 學習率為0.1
train_loss_results = [] # 將每輪的loss記錄在此列表中，為後續畫loss曲線提供資料
test_acc = [] # 將每輪的acc記錄在此列表中，為後續畫acc曲線提供資料
epoch = 500 # 迴圈500輪
loss_all = 0 # 每輪分4個step，loss_all記錄四個step生成的4個loss的和
# 訓練部分
now_time = time.time() ##2##
for epoch in range(epoch): # 資料集級別的迴圈，每個epoch迴圈一次資料集
for step, (x_train, y_train) in enumerate(train_db): # batch級別的迴圈 ，每個step迴圈一個batch
with tf.GradientTape() as tape: # with結構記錄梯度資訊
y = tf.matmul(x_train, w1) + b1 # 神經網路乘加運算
y = tf.nn.softmax(y) # 使輸出y符合概率分佈（此操作後與獨熱碼同量級，可相減求loss）
y_ = tf.one_hot(y_train, depth=3) # 將標籤值轉換為獨熱碼格式，方便計算loss和accuracy
loss = tf.reduce_mean(tf.square(y_ - y)) # 採用均方誤差損失函式mse = mean(sum(y-out)^2)
loss_all += loss.numpy() # 將每個step計算出的loss累加，為後續求loss平均值提供資料，這樣計算的loss更準確
# 計算loss對各個引數的梯度
grads = tape.gradient(loss, [w1, b1])
# 實現梯度更新 w1 = w1 - lr * w1_grad b = b - lr * b_grad
w1.assign_sub(lr * grads[0]) # 引數w1自更新
b1.assign_sub(lr * grads[1]) # 引數b自更新
# 每個epoch，列印loss資訊
print("Epoch {}, loss: {}".format(epoch, loss_all / 4))
train_loss_results.append(loss_all / 4) # 將4個step的loss求平均記錄在此變數中
loss_all = 0 # loss_all歸零，為記錄下一個epoch的loss做準備
# 測試部分
# total_correct為預測對的樣本個數, total_number為測試的總樣本數，將這兩個變數都初始化為0
total_correct, total_number = 0, 0
for x_test, y_test in test_db:
# 使用更新後的引數進行預測
y = tf.matmul(x_test, w1) + b1
y = tf.nn.softmax(y)
pred = tf.argmax(y, axis=1) # 返回y中最大值的索引，即預測的分類
# 將pred轉換為y_test的資料型別
pred = tf.cast(pred, dtype=y_test.dtype)
# 若分類正確，則correct=1，否則為0，將bool型的結果轉換為int型
correct = tf.cast(tf.equal(pred, y_test), dtype=tf.int32)
# 將每個batch的correct數加起來
correct = tf.reduce_sum(correct)
# 將所有batch中的correct數加起來
total_correct += int(correct)
# total_number為測試的總樣本數，也就是x_test的行數，shape[0]返回變數的行數
total_number += x_test.shape[0]
# 總的準確率等於total_correct/total_number
acc = total_correct / total_number
test_acc.append(acc)
print("Test_acc:", acc)
print("--------------------------")
total_time = time.time() - now_time ##3##
print("total_time", total_time) ##4##
# 繪製 loss 曲線
plt.title('Loss Function Curve') # 圖片標題
plt.xlabel('Epoch') # x軸變數名稱
plt.ylabel('Loss') # y軸變數名稱
plt.plot(train_loss_results, label="$Loss$") # 逐點畫出trian_loss_results值並連線，連線圖示是Loss
plt.legend() # 畫出曲線圖示
plt.show() # 畫出影像
# 繪製 Accuracy 曲線
plt.title('Acc Curve') # 圖片標題
plt.xlabel('Epoch') # x軸變數名稱
plt.ylabel('Acc') # y軸變數名稱
plt.plot(test_acc, label="$Accuracy$") # 逐點畫出test_acc值並連線，連線圖示是Accuracy
plt.legend()
plt.show()
# 本檔案較 class1\p45_iris.py 僅新增四處時間記錄 用 ##n## 標識
# 請將loss曲線、ACC曲線、total_time記錄到 class2\優化器對比.docx 對比各優化器收斂情況
相關文章
- 人工智慧實踐：Tensorflow2.0 新手筆記(2)人工智慧筆記
- 機器學習總結 （機器學習實踐筆記）機器學習筆記
- 【北京大學】人工智慧實踐：Tensorflow筆記（一）人工智慧筆記
- iOS程式碼實踐總結iOS
- 《程式碼整潔之道》總結和筆記筆記
- 嵌入式狗的 JAVA 入門筆記·2 程式碼實踐Java筆記
- Litmus程式碼質量平臺實踐總結
- 小程式初實踐總結
- Cozmo人工智慧機器人SDK使用筆記（X）-總結- |人工智慧基礎（中小學版）實踐平臺|人工智慧機器人筆記
- Web最佳實踐閱讀總結(2)Web
- 小程式開發實踐總結
- 天氣小程式筆記總結筆記
- 資源 | 數十種TensorFlow實現案例彙集：程式碼+筆記筆記
- 馴服爛程式碼之實踐、總結與討論
- Mpvue 小程式轉 Web 實踐總結VueWeb
- 通用連結(Universal Links)實踐筆記筆記
- 「輕算賬」小程式實踐筆記筆記
- tensorflow學習筆記1（程式碼轉自官網）筆記
- 程式碼大全2閱讀筆記筆記
- python編碼最佳實踐之總結Python
- Mybatis筆記總結MyBatis筆記
- javascript 總結筆記JavaScript筆記
- Latch總結筆記筆記
- ENQUEUE總結筆記ENQ筆記
- kvm筆記總結筆記
- 微信小程式Video元件實踐總結微信小程式IDE元件
- TensorFlow框架下的RNN實踐小結框架RNN
- [筆記]最佳實踐筆記
- bootstrap實踐筆記boot筆記
- 人工智慧學習筆記（2）人工智慧筆記
- java程式碼-編譯-打包-執行_雲原生時代筆記總結Java編譯筆記
- 隨手記 iOS 11 適配實踐總結iOS
- 自學筆記-16001-程式碼閱讀方法與實踐筆記
- （資料結構程式碼，總結，自我思考）=＞ { return 個人學習筆記； } 【To be continued~】資料結構筆記
- 使用tensorflow2識別4位驗證碼及思考總結
- 《程式碼大全2》閱讀筆記01筆記
- 【深度學習】TensorFlow實現線性迴歸，程式碼演示。全md文件筆記（程式碼文件已分享）深度學習筆記
- Linux運維筆記-日常操作命令總結（2）Linux運維筆記