代码

# 利用鸢尾花数据集，实现前向传播、反向传播，可视化loss曲线

# 导入所需模块

import tensorflowas tf

from sklearnimport datasets

from matplotlibimport pyplotas plt

import numpyas np

# 导入数据，分别为输入特征和标签

x_data = datasets.load_iris().data

y_data = datasets.load_iris().target

# 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）

# 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）

np.random.seed(116)# 使用相同的seed，保证输入特征和标签一一对应

np.random.shuffle(x_data)

np.random.seed(116)

np.random.shuffle(y_data)

tf.random.set_seed(116)

# 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

x_train = x_data[:-30]

y_train = y_data[:-30]

x_test = x_data[-30:]

y_test = y_data[-30:]

# 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

x_train = tf.cast(x_train, tf.float32)

x_test = tf.cast(x_test, tf.float32)

# 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）

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

# 用tf.Variable()标记参数可训练

# 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）

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  # 学习率为0.1

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

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

epoch =500  # 循环500轮

loss_all =0  # 每轮分4个step，loss_all记录四个step生成的4个loss的和

# 训练部分

for epochin range(epoch):#数据集级别的循环，每个epoch循环一次数据集

    for step, (x_train, y_train)in enumerate(train_db):#batch级别的循环 ，每个step循环一个batch

        with tf.GradientTape()as tape:# with结构记录梯度信息

            y = tf.matmul(x_train, w1) + b1# 神经网络乘加运算

            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）

            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

            loss = tf.reduce_mean(tf.square(y_ - y))# 采用均方误差损失函数mse = mean(sum(y-out)^2)

            loss_all += loss.numpy()# 将每个step计算出的loss累加，为后续求loss平均值提供数据，这样计算的loss更准确

        # 计算loss对各个参数的梯度

        grads = tape.gradient(loss, [w1, b1])

# 实现梯度更新w1 = w1 - lr * w1_grad    b = b - lr * b_grad

        w1.assign_sub(lr * grads[0])# 参数w1自更新

        b1.assign_sub(lr * grads[1])# 参数b自更新

    # 每个epoch，打印loss信息

    print("Epoch {}, loss: {}".format(epoch, loss_all/4))

train_loss_results.append(loss_all /4)# 将4个step的loss求平均记录在此变量中

    loss_all =0  # loss_all归零，为记录下一个epoch的loss做准备

    # 测试部分

    # 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

    total_correct, total_number =0, 0

    for x_test, y_testin test_db:

# 使用更新后的参数进行预测

        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，即预测的分类

        # 将pred转换为y_test的数据类型

        pred = tf.cast(pred, dtype=y_test.dtype)

# 若分类正确，则correct=1，否则为0，将bool型的结果转换为int型

        correct = tf.cast(tf.equal(pred, y_test), dtype=tf.int32)

# 将每个batch的correct数加起来

        correct = tf.reduce_sum(correct)

# 将所有batch中的correct数加起来

        total_correct +=int(correct)

# 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

        total_number += x_test.shape[0]

# 总的准确率等于total_correct/total_number

    acc = total_correct / total_number

test_acc.append(acc)

print("Test_acc:", acc)

print("--------------------------")

# 绘制 loss 曲线

plt.title('Loss Function Curve')# 图片标题

plt.xlabel('Epoch')# x轴变量名称

plt.ylabel('Loss')# y轴变量名称

plt.plot(train_loss_results, label="$Loss$")# 逐点画出trian_loss_results值并连线，连线图标是Loss

plt.legend()# 画出曲线图标

plt.show()# 画出图像

# 绘制 Accuracy 曲线

plt.title('Acc Curve')# 图片标题

plt.xlabel('Epoch')# x轴变量名称

plt.ylabel('Acc')# y轴变量名称

plt.plot(test_acc, label="$Accuracy$")# 逐点画出test_acc值并连线，连线图标是Accuracy

plt.legend()

plt.show()