第二讲 神经网络优化-- Adagrad

# 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 tensorflow as tf
from sklearn import datasets
from matplotlib import pyplot as plt
%matplotlib inline
import numpy as np
import time


# 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)
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
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

v_w, v_b = 0, 0



# 训练部分
now_time = time.time()
for epoch in 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])


    #adagrad
    v_w += tf.square(grads[0])
    v_b += tf.square(grads[1])
    w1.assign_sub(lr * grads[0] / tf.sqrt(v_w))
    b1.assign_sub(lr * grads[1] / tf.sqrt(v_b))

  
  # 每20个epoch，打印loss信息
  if epoch % 20 ==0:
    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(120个训练集数据，batch=32， 故每个epoch4个batch)
  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_test in 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)
  if epoch % 20 ==0:
    print("Test_acc:", acc)
    print("--------------------------------")

total_time = time.time() - now_time
print("total_time", total_time)


# 绘制 loss 曲线
plt.title("Loss Function Curve")
plt.xlabel("Epoch")
plt.ylabel("Loss")
plt.plot(train_loss_results, label="$Loss$")
plt.legend()
plt.show()


# 绘制 Accuracy 曲线
plt.title("Acc Curve")
plt.xlabel("Epoch")
plt.ylabel("Acc")
plt.plot(test_acc, label = "$Accuracy$")
plt.legend()
plt.show()