分三步：

本地读取鸢尾花数据集

搭建神经网络

优化

本地读取鸢尾花数据集

读取本地数据集的两种方法

读取本地数据集有两种方法：

（1）利用pandas中的函数读取，并处理成神经网络需要的数据结构

pd.read_csv('文件名', header=第几行作为表头, sep='分割符号')

（2）利用open函数打开txt文件，并处理成神经网络需要的数据结构

open('文件名', 'r')

数据集 iris.txt 下载地址： https://cloud.tencent.com/developer/article/1869024

利用pandas函数

'''
利用pandas中的函数读取本地数据集
读取本地文件 —> 取特征输入 —> 取标签 —> 将标签转换为规定格式
'''
import numpy as np
import pandas as pd

# 本地读取鸢尾花数据集  150 rows x 5 columns
df = pd.read_csv(r'E:\学完了学完了\TensorFlow2.0\class1_expand\iris.txt', header=0, sep=' ')   # 读取本地文件，第0行作为表头，空格作为分隔符
data = df.values  # 去掉索引并取值

x_data = [lines[0:4] for lines in data]  # 取输入特征，dtype=object
x_data = np.array(x_data, float)  # 转换为numpy格式
y_data = [lines[4] for lines in data]  # 取标签

for i in range(len(y_data)):
    if y_data[i] == 'setosa':
        y_data[i] = 0
    elif y_data[i] == 'versicolor':
        y_data[i] = 1
    elif y_data[i] == 'virginica':
        y_data[i] = 2
y_data = np.array(y_data)

搭建神经网络

数据集较简单，故利用简单网络结构进行拟合 —— 仅考虑输入层和输出层，构建单层神经网络

参数定义如下：

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))

epoch、batch、iteration的区别

名词	定义
epoch	使用训练集的全部数据对模型进行一次完整训练，被称之为“一代训练”
batch	使用训练集中的一小部分样本对模型权重进行一次反向传播的参数更新，这一小部分样本被称为“一批数据” batch_size一般设置为2的指数次幂（默认为32）
iteration	使用一个batch数据对模型进行一次参数更新的过程，被称之为“一次训练” = epoch / batch_size

梯度下降几种方式的根本区别就在于batch_size不同：

梯度下降方式	Training Set Size	Batch Size	Number of batches
批量梯度下降算法 BGD	N	N	1
随机梯度下降算法 SGD	N	1	N
小批量梯度下降算法 mini-batch	N	B	未整除：N/B（向下取整）+1 整除：N/B

假设数据集有50000个训练样本，现在选择batch size=256对模型进行训练：

每个epoch要训练的图片数量：50000

训练集具有的batch个数：50000/256 + 1 = 196

每个epoch具有的iteration个数：196

10个epoch具有的iteration个数：1960

梯度爆炸

若训练过程中出现如下样子的loss曲线：

说明出现了梯度爆炸，网络不能有效收敛

https://zhuanlan.zhihu.com/p/72589432

（一）产生原因

本质：链式法则的乘法特性所致

梯度下降的计算公式为：

参数更新量为学习率lr与损失函数偏导数相乘，若两者乘积过大，则会导致梯度爆炸

（二）解决方法

可针对学习率lr进行调整，也可对数据进行调整

逐步减小学习率，0.1/0.01等

对数据进行预处理后再输入神经网络，减小偏差值的大小，抑制梯度爆炸，即数据归一化与标准化

线性归一化：将数据映射到 [0,1] 区间

# 线性归一化：x - min / max - min
def normalize(data):
    x_data = data.T    # 每一列为同一属性，转置到每一行
    for i in range(4):
        x_data[i] = (x_data[i] - tf.reduce_min(x_data[i])) / (tf.reduce_max(x_data[i]) - tf.reduce_min(x_data[i]))
    return x_data.T   # 转置回原格式

非线性归一化（log函数转换）：使数据映射到 [0,1] 区间上

Z-Score标准化：使每个特征中的数值平均值变为0，标准差变为1

优化

对网络进行部分优化 —— 增加指数衰减学习率

指数衰减学习率

定义：在训练初期赋予网络较大的学习率，并在训练过程中逐步减小

作用：有效增加网络收敛速度

TensorFlow2中的函数：

tf.compat.v1.train.exponential_decay
tf.compat.v1.train.Optimizer
tf.compat.v1.train.GradientDescentOptimizer

tf.compat.v1.train.exponential_decay(learning_rate_base, global_step, decay_step, decay_rate, staircase=True/False, name)

# learning_rate_base：基础学习率，为事先设定的初始学习率
# global_step：当前训练的轮数/全局步数，系统会自动更新这个参数的值，从1开始，每迭代一次加1
# decay_step：衰减速度（每多少步缩减一次），通常代表了完整的使用一遍训练数据所需要的迭代轮数，这个迭代轮数也就是总训练样本数除以每一个batch中的训练样本数，比如训练数据集的大小为128，每一个batch中样例的个数为8，那么decay_step就为16
# decay_rate：衰减系数，取值0-1
# staircase=True，学习率呈现阶梯状递减，默认为False，即连续衰减

完整代码

下面的代码没加学习率指数衰减，加了的版本一直报错，还没解决...

import numpy as np
import pandas as pd
import tensorflow as tf
from matplotlib import pyplot as plt

# 本地读取鸢尾花数据集  150 rows x 5 columns
df = pd.read_csv('iris.txt', header=0, sep=' ')   # 读取本地文件，第0行作为表头，空格作为分隔符
data = df.values  # 去掉索引并取值

x_data = [lines[0:4] for lines in data]  # 取输入特征，dtype=object
x_data = np.array(x_data, float)  # 转换为numpy格式

y_data = [lines[4] for lines in data]  # 取标签
for i in range(len(y_data)):
    if y_data[i] == 'setosa':
        y_data[i] = 0
    elif y_data[i] == 'versicolor':
        y_data[i] = 1
    elif y_data[i] == 'virginica':
        y_data[i] = 2
y_data = np.array(y_data)

# 数据预处理
# Z-score标准化：x - mean / std
def normalize(data):
    x_data = data.T    # 每一列为同一属性，转置到每一行
    for i in range(4):
        x_data[i] = (x_data[i] - np.mean(x_data[i])) / np.std(x_data[i])
    return x_data.T   # 转置回原格式
normalize(x_data)

# 搭建神经网络
# 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，保证打乱顺序后输入特征和标签仍然一一对应
np.random.shuffle(x_data)
np.random.seed(116)
np.random.shuffle(y_data)
tf.random.set_seed(116)  # 保证每次运行这个代码文件的结果跟上次运行的结果一样

# 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
# tf.cast(张量名,dtype=数据类型) 强制将Tensor转换为该数据类型
x_train = tf.cast(x_train, tf.float32)
x_test = tf.cast(x_test, tf.float32)

# 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）
# tf.data.Dataset.from_tensor_slices((输入特征,标签))  配成[输入特征，标签]对，每次喂入一小撮(batch)
train_db = tf.data.Dataset.from_tensor_slices((x_train, y_train)).batch(32)  # 每32组数据打包为一个batch
test_db = tf.data.Dataset.from_tensor_slices((x_test, y_test)).batch(32)

# 定义神经网络中的所有可训练参数
# 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（只用一层网络，输出节点数就等于分类数）
# tf.random.truncated_normal(维度,mean=均值,stddev=标准差)   默认均值为0、标准差为1。数据一定在两倍标准差内，数据更向均值集中
# 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4个step生成的4个loss的和

# 训练部分（嵌套循环迭代，with结构更新参数，显示当前loss）
for epoch in range(epoch):  # 数据集级别的循环，每个epoch循环一次数据集
    # enumerate(列表名)  枚举出每一个元素，并在元素前配上对应的索引号，组合为：索引 元素。常在for循环中使用
    for step, (x_train, y_train) in enumerate(train_db):  # batch级别的循环，每个step循环一个batch
        '''
        在with结构中计算前向传播的预测结果y，计算损失函数loss；
        loss分别对参数w1和b1计算偏导数，更新参数w1和b1的值，打印出这一轮epoch后的损失函数值
        '''
        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])  # 嵌套循环loss对w1和b1求偏导

        # 实现梯度更新 w1 = w1 - lr * w1_grad    b = b - lr * b_grad
        # 每个step更新参数w1和b1
        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
    '''
    因为训练集有120组数据，batch=32，每个step只能喂入32组数据，
    需要batch级别循环4次，所以loss/4，求得每次step迭代的平均loss
    '''
    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（计算当前参数前向传播后的准确率，显示当前准确率acc）
    '''
    希望每个epoch循环后可以显示当前模型的效果，即识别准确率，
    故在epoch循环中又嵌套了一个batch级别的循环
    '''
    # 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
    # 测试时会遍历测试集中的所有数据
    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  # 计算前向传播的预测结果y
        y = tf.nn.softmax(y)  # 变为概率分布
        pred = tf.argmax(y, axis=1)  # 返回y中最大值的索引，即预测的分类（axis=1为横向）
        pred = tf.cast(pred, dtype=y_test.dtype)  # 将pred转换为y_test即标签的数据类型
        correct = tf.cast(tf.equal(pred, y_test), dtype=tf.int32)  # 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.reduce_sum(correct)  # 将每个batch的correct数加起来
        total_correct += int(correct)  # 将所有batch中的correct数加起来
        total_number += x_test.shape[0]  # 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
    # 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()