深度学习——前馈全连接神经网络（鸢尾花）

深度学习——前馈全连接神经网络（鸢尾花）

引用

CSDN

1.

https://blog.csdn.net/2301_76794217/article/details/138627960

本文将详细介绍如何使用前馈全连接神经网络对经典的鸢尾花数据集进行分类。通过本文，读者将学习到数据集的导入、模型的构建、训练和评估等关键步骤，并通过代码示例加深理解。

前馈全连接神经网络对鸢尾花数据集进行分类

1. 鸢尾花数据集可以用

from sklearn.datasets import load_iris

方式获取，并将获取的数据划分为训练集、验证集、测试集 。
2. 构建一个10层网络，隐藏层每层对应16个神经元，激活函数都是relu函数，输入输出神经元自己判断 3. 为提高准确率，可以在全连接层后加dropout层，防止过拟合。添加方式：

keras.layers.Dropout(rate=0.2)

1.导入所需要的包

numpy：
numpy是一个用于科学计算的 Python 库，提供了强大的多维数组和矩阵操作功能。

pandas：
pandas是一个用于数据分析和数据处理的 Python 库，提供了 DataFrame 和 Series 两种数据结构。它用于数据导入、数据清洗、数据转换、数据分析和数据可视化等。

matplotlib.pyplot：
matplotlib是 Python 的一个绘图库，用于数据可视化。pyplot 是 matplotlib 的一个接口，提供了一系列的函数来绘制图表，如折线图、散点图、直方图等。

sklearn.datasets：
sklearn.datasets是 scikit-learn 库的一部分，提供了各种机器学习算法所需的示例数据集。它包括分类、回归、聚类、文本和图像数据集。

sklearn.model_selection：
sklearn.model_selection是 scikit-learn 库的一部分，提供了用于模型训练和评估的各种功能。它包括数据划分、交叉验证、网格搜索等。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

2.打印训练集和测试集二维数组

iris = load_iris()
x_train,x_test,y_train,y_test = train_test_split(iris.data,iris.target,test_size=0.2,random_state=23)
X_train,X_valid,y_train,y_valid = train_test_split(x_train,y_train,test_size=0.2,random_state=12)
print(X_valid.shape)
print(X_train.shape)

运行结果：

3.定义模型

先下载tensorflow包，在终端输入conda install tensorflow
如果下载不了的话，请按照资源文档操作。

TensorFlow：
tensorflow是 TensorFlow 的官方Python库，它提供了一个用于构建和训练深度学习模型的框架。它包括数据处理、模型构建、训练、评估和预测等功能。

Keras：
tf.keras是TensorFlow的一个高级API，它是一个简单易用的神经网络 API，可以运行在TensorFlow、Theano或CNTK之上。它提供了模型构建、编译、训练和评估的简洁接口。tf.keras支持各种类型的模型，包括卷积神经网络 (CNN)、循环神经网络 (RNN)、长短期记忆网络 (LSTM) 等。

import tensorflow as tf
from tensorflow import keras

导入这个包的过程需要很久，请耐心等待
构建的深度学习模型

model = keras.models.Sequential([
    #Flatten Layer: 输入层，形状为 [4]。这个层将输入数据展平为一维数组，对于分类问题，通常输入是一个形状为 [样本数, 特征数] 的二维数组，所以这里的 4 可能是输入特征的数量。
    keras.layers.Flatten(input_shape=[4]),
    #Dense Layer 1: 第一个全连接层，有 16 个神经元，使用 ReLU 激活函数。
    keras.layers.Dense(16,activation='relu'),
    keras.layers.Dense(16,activation='relu'),
    keras.layers.Dense(16,activation='relu'),
    keras.layers.Dense(16,activation='relu'),
    keras.layers.Dense(16,activation='relu'),
    keras.layers.Dense(16,activation='relu'),
    keras.layers.Dense(16,activation='relu'),
    keras.layers.Dense(16,activation='relu'),
    keras.layers.Dense(16,activation='relu'),
    keras.layers.Dense(16,activation='relu'),
    #Dropout Layer: 包含一个 Dropout 层，其 rate 参数设置为 0.2，意味着每个神经元被随机丢弃的概率是 20%。
    keras.layers.Dropout(rate=0.2),
    #Dense Layer 11: 最后一个全连接层，有 3 个神经元，使用 softmax 激活函数。由于使用了 softmax 激活函数，这通常意味着这是一个多分类问题，其中 3 表示可能的类别数。
    keras.layers.Dense(3,activation='softmax'),
])

4.打印模型信息

model.summary()方法用于打印模型的摘要信息，包括层数、每个层的参数数量、层的形状等。

model.summary()

5.权重和偏执

get_weights()方法来获取一个层的权重和偏置

model.layers[1]

weight_1,bias_1 = model.layers[1].get_weights()
print(weights_1.shape)
print(bias_1.shape)

6.编译网络和训练网络

model.compile()：用于指定模型的损失函数、优化器和评估指标
loss='sparse_categorical_crossentropy'：模型的损失函数为
optimizer='sgd'：这行代码指定模型的优化器为sgd
metrics=['accuracy']：这行代码指定模型的评估指标为accuracy

model.compile(loss='sparse_categorical_crossentropy',
             optimizer='sgd',metrics=["accuracy"])

model.fit()是一个函数，用于使用训练数据来训练模型
X_train：训练数据的输入特征，
y_train：训练数据的标签
batch_size=32：每次梯度下降更新时使用的样本数量
epochs=30：训练过程将运行的完整周期数。
validation_data=(X_valid, y_valid)：验证数据的输入特征和标签。

h = model.fit(X_train,y_train,batch_size=10,epochs=50,validation_data=(X_valid,y_valid))

7.打印二维数据表格

随着迭代次数的增加，损失函数的数值loss越来越小，而在验证集上的准确率accuracy越来越高，这些信息都保存在h.history中

pd.DataFrame(h.history)

8.绘制图像

首先将h.history字典转换为一个Pandas DataFrame。h.history通常包含在训练过程中收集的损失（loss）和准确度（accuracy）等指标，它们是训练周期的迭代结果。
figsize=(8,5)指定了图表的尺寸，其中8表示宽度，5表示高度。

pd.DataFrame(h.history).plot(figsize=(8,5))
plt.grid(True)
plt.gca().set_ylim(0,1.3)
plt.show()

9.查看准确率

model.evaluate()是一个函数，用于评估模型的性能
X_test：这是测试数据的输入特征
y_test：这是测试数据的标签
batch_size=1：这行代码指定评估过程中每次评估的样本数量。

model.evaluate(x_test,y_test,batch_size = 1)