网站建设项目登记表,潢川网站建设公司,wordpress网页折叠效果,关于开通网站建设的请示实现功能
前面两篇文章分别介绍了两种搭建神经网络模型的方法#xff0c;一种是基于tensorflow的keras框架#xff0c;另一种是继承父类自定义class类#xff0c;本篇文章将编写原生代码搭建BP神经网络。
实现代码
import tensorflow as tf
from sklearn.datasets import…实现功能
前面两篇文章分别介绍了两种搭建神经网络模型的方法一种是基于tensorflow的keras框架另一种是继承父类自定义class类本篇文章将编写原生代码搭建BP神经网络。
实现代码
import tensorflow as tf
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler# 加载鸢尾花数据集
iris load_iris()
X iris.data
y iris.target# 数据预处理
scaler StandardScaler()
X scaler.fit_transform(X)# 划分训练集和测试集
X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.2, random_state42)# 设置超参数
learning_rate 0.001
num_epochs 100
batch_size 32# 定义输入和输出的维度
input_dim X.shape[1]
output_dim len(set(y))# 定义权重和偏置项
W1 tf.Variable(tf.random.normal(shape(input_dim, 64), dtypetf.float64))
b1 tf.Variable(tf.zeros(shape(64,), dtypetf.float64))
W2 tf.Variable(tf.random.normal(shape(64, 64), dtypetf.float64))
b2 tf.Variable(tf.zeros(shape(64,), dtypetf.float64))
W3 tf.Variable(tf.random.normal(shape(64, output_dim), dtypetf.float64))
b3 tf.Variable(tf.zeros(shape(output_dim,), dtypetf.float64))# 定义前向传播函数
def forward_pass(X):X tf.cast(X, tf.float64)h1 tf.nn.relu(tf.matmul(X, W1) b1)h2 tf.nn.relu(tf.matmul(h1, W2) b2)logits tf.matmul(h2, W3) b3return logits# 定义损失函数
def loss_fn(logits, labels):return tf.reduce_mean(tf.nn.sparse_softmax_cross_entropy_with_logits(labelslabels, logitslogits))# 定义优化器
optimizer tf.optimizers.Adam(learning_rate)# 定义准确率指标
accuracy_metric tf.metrics.SparseCategoricalAccuracy()# 定义训练步骤
def train_step(inputs, labels):with tf.GradientTape() as tape:logits forward_pass(inputs)loss_value loss_fn(logits, labels)gradients tape.gradient(loss_value, [W1, b1, W2, b2, W3, b3])optimizer.apply_gradients(zip(gradients, [W1, b1, W2, b2, W3, b3]))accuracy_metric(labels, logits)return loss_value# 进行训练
for epoch in range(num_epochs):epoch_loss 0.0accuracy_metric.reset_states()for batch_start in range(0, len(X_train), batch_size):batch_end batch_start batch_sizebatch_X X_train[batch_start:batch_end]batch_y y_train[batch_start:batch_end]loss train_step(batch_X, batch_y)epoch_loss losstrain_loss epoch_loss / (len(X_train) // batch_size)train_accuracy accuracy_metric.result()print(fEpoch {epoch1}/{num_epochs}, Loss: {train_loss:.4f}, Accuracy: {train_accuracy:.4f})# 进行评估
logits forward_pass(X_test)
test_loss loss_fn(logits, y_test)
test_accuracy accuracy_metric(y_test, logits)print(fTest Loss: {test_loss:.4f}, Test Accuracy: {test_accuracy:.4f})
实现效果 本人读研期间发表5篇SCI数据挖掘相关论文现在某研究院从事数据挖掘相关科研工作对数据挖掘有一定认知和理解会结合自身科研实践经历不定期分享关于python、机器学习、深度学习基础知识与案例。 致力于只做原创以最简单的方式理解和学习关注我一起交流成长。 邀请三个朋友关注V订阅号数据杂坛即可在后台联系我获取相关数据集和源码送有关数据分析、数据挖掘、机器学习、深度学习相关的电子书籍。
