溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
如何在python中使用Tensorflow訓練BP神經網絡？針對這個問題，這篇文章詳細介紹了相對應的分析和解答，希望可以幫助更多想解決這個問題的小伙伴找到更簡單易行的方法。
使用軟件
Python 3.8，Tensorflow2.0
鳶尾花主要分為狗尾草鳶尾(0)、雜色鳶尾(1)、弗吉尼亞鳶尾(2)。
人們發現通過計算鳶尾花的花萼長、花萼寬、花瓣長、花瓣寬可以將鳶尾花分類。
所以只要給出足夠多的鳶尾花花萼、花瓣數據，以及對應種類，使用合適的神經網絡訓練，就可以實現鳶尾花分類。
輸入數據是花萼長、花萼寬、花瓣長、花瓣寬，是n行四列的矩陣。
而輸出的是每個種類的概率，是n行三列的矩陣。
我們采用BP神經網絡，設X為輸入數據，Y為輸出數據，W為權重，B偏置。有
y=x?w+b
因為x為n行四列的矩陣，y為n行三列的矩陣，所以w必須為四行三列的矩陣，每個神經元對應一個b，所以b為一行三列的的矩陣。
神經網絡如下圖。
所以，只要找到合適的w和b，就能準確判斷鳶尾花的種類。
下面就開始對這兩個參數進行訓練。
損失函數表達的是預測值(y*)和真實值(y)的差距，我們采用均方誤差公式作為損失函數。
損失函數值越小，說明預測值和真實值越接近，w和b就越合適。
如果人來一組一組試，那肯定是不行的。所以我們采用梯度下降算法來找到損失函數最小值。
梯度：對函數求偏導的向量。梯度下降的方向就是函數減少的方向。
其中a為學習率，即梯度下降的步長，如果a太大，就可能錯過最優值，如果a太小，則就需要更多步才能找到最優值。所以選擇合適的學習率很關鍵。
通過反向傳播來優化參數。
反向傳播：從后向前，逐層求損失函數對每層神經元參數的偏導數，迭代更新所有參數。
比如
可以看到w會逐漸趨向于loss的最小值0。
以上就是我們訓練的全部關鍵點。
我們使用sklearn包提供的鳶尾花數據集。共150組數據。
打亂保證數據的隨機性，取前120個為訓練集，后30個為測試集。
# 導入數據，分別為輸入特征和標簽 x_data = datasets.load_iris().data ## 存花萼、花瓣特征數據 y_data = datasets.load_iris().target # 存對應種類 # 隨機打亂數據（因為原始數據是順序的，順序不打亂會影響準確率） # seed: 隨機數種子，是一個整數，當設置之后，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，保證輸入特征和標簽一一對應 np.random.shuffle(x_data) np.random.seed(116) np.random.shuffle(y_data) tf.random.set_seed(116) # 將打亂后的數據集分割為訓練集和測試集，訓練集為前120行，測試集為后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的數據類型，否則后面矩陣相乘時會因數據類型不一致報錯 x_train = tf.cast(x_train, tf.float32) x_test = tf.cast(x_test, tf.float32) # from_tensor_slices函數使輸入特征和標簽值一一對應。（把數據集分批次，每個批次batch組數據） 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)
# 生成神經網絡的參數，4個輸入特征故，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()標記參數可訓練 w1 = tf.Variable(tf.random.truncated_normal([4, 3], stddev=0.1)) # 四行三列,方差為0.1 b1 = tf.Variable(tf.random.truncated_normal([3], stddev=0.1)) # 一行三列,方差為0.1
a = 0.1 # 學習率為0.1 epoch = 500 # 循環500輪 # 訓練部分 for epoch in range(epoch): # 數據集級別的循環，每個epoch循環一次數據集 for step, (x_train, y_train) in enumerate(train_db): # batch級別的循環 ，每個step循環一個batch with tf.GradientTape() as tape: # with結構記錄梯度信息 y = tf.matmul(x_train, w1) + b1 # 神經網絡乘加運算 y = tf.nn.softmax(y) # 使輸出y符合概率分布 y_ = tf.one_hot(y_train, depth=3) # 將標簽值轉換為獨熱碼格式，方便計算loss loss = tf.reduce_mean(tf.square(y_ - y)) # 采用均方誤差損失函數mse = mean(sum(y-y*)^2) # 計算loss對w, b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(a * grads[0]) # 參數w1自更新 b1.assign_sub(a * grads[1]) # 參數b自更新
# 測試部分
total_correct, total_number = 0, 0
for x_test, y_test in test_db:
# 前向傳播求概率
y = tf.matmul(x_test, w1) + b1
y = tf.nn.softmax(y)
predict = tf.argmax(y, axis=1) # 返回y中最大值的索引，即預測的分類
# 將predict轉換為y_test的數據類型
predict = tf.cast(predict, 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(predict, 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]返回變量的行數
total_number += x_test.shape[0]
# 總的準確率等于total_correct/total_number
acc = total_correct / total_number
print("測試準確率 = %.2f %%" % (acc * 100.0))
my_test = np.array([[5.9, 3.0, 5.1, 1.8]])
print("輸入 5.9 3.0 5.1 1.8")
my_test = tf.convert_to_tensor(my_test)
my_test = tf.cast(my_test, tf.float32)
y = tf.matmul(my_test, w1) + b1
y = tf.nn.softmax(y)
species = {0: "狗尾鳶尾", 1: "雜色鳶尾", 2: "弗吉尼亞鳶尾"}
predict = np.array(tf.argmax(y, axis=1))[0] # 返回y中最大值的索引，即預測的分類
print("該鳶尾花為：" + species.get(predict))結果：
1、簡單易用，與C/C++、Java、C# 等傳統語言相比，Python對代碼格式的要求沒有那么嚴格；2、Python屬于開源的，所有人都可以看到源代碼，并且可以被移植在許多平臺上使用；3、Python面向對象，能夠支持面向過程編程,也支持面向對象編程；4、Python是一種解釋性語言，Python寫的程序不需要編譯成二進制代碼，可以直接從源代碼運行程序；5、Python功能強大，擁有的模塊眾多，基本能夠實現所有的常見功能。
關于如何在python中使用Tensorflow訓練BP神經網絡問題的解答就分享到這里了，希望以上內容可以對大家有一定的幫助，如果你還有很多疑惑沒有解開，可以關注億速云行業資訊頻道了解更多相關知識。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
