tensorflow对鸢尾花进行分类——人工智能入门篇

tensorflow之对鸢尾花进行分类

任务目标

• 对鸢尾花数据集分析
• 建立鸢尾花的模型
• 利用模型预测鸢尾花的类别

---

环境搭建

pycharm编辑器搭建python3.*

第三方库

• tensorflow1.*
• numpy
• pandas
• sklearn
• keras

---

处理鸢尾花数据集

了解数据集

鸢尾花数据集是一个经典的机器学习数据集，非常适合用来入门。

鸢尾花数据集链接：下载鸢尾花数据集

鸢尾花数据集包含四个特征和一个标签。这四个特征确定了单株鸢尾花的下列植物学特征：

• 花萼长度
• 花萼宽度
• 花瓣长度
• 花瓣宽度

该表确定了鸢尾花品种，品种必须是下列任意一种：

• 山鸢尾 Iris-Setosa(0)
• 杂色鸢尾 Iris-versicolor(1)
• 维吉尼亚鸢尾 Iris-virginica(2)

数据集中三类鸢尾花各含有50个样本，共150各样本

下面显示了数据集中的样本:



机器学习中，为了保证测试结果的准确性，一般会从数据集中抽取一部分数据专门留作测试，其余数据用于训练。所以我将数据集按7：3（训练集：测试集）的比例进行划分。

数据集处理具体代码

def dealIrisData(IrisDatapath):

    """

    :param IrisDatapath:传入数据集路径

    :return: 返回 训练特征集，测试特征集，训练标签集，测试标签集

    """

    # 读取数据集

    iris = pd.read_csv(IrisDatapath, header=None)

    # 数据集转化成数组

    iris = np.array(iris)

    # 提取特征集

    X = iris[:, 0:4]

    # 提取标签集

    Y = iris[:, 4]

    # One-Hot编码

    encoder = LabelEncoder()

    Y = encoder.fit_transform(Y)

    Y = np_utils.to_categorical(Y)

    x_train, x_test, y_train, y_test = train_test_split(X, Y, test_size=0.3)

    return x_train,x_test,y_train,y_test

什么是one-hot编码？

  One-Hot编码，又称为一位有效编码，主要是采用N位状态寄存器来对N个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候只有一位有效。

  One-Hot编码是分类变量作为二进制向量的表示。这首先要求将分类值映射到整数值。然后，每个整数值被表示为二进制向量，除了整数的索引之外，它都是零值，它被标记为1。

  One-Hot编码是将类别变量转换为机器学习算法易于利用的一种形式的过程。

  比如：["山鸢尾","杂色鸢尾","维吉尼亚鸢尾"]---->[[1,0,0][0,1,0][0,0,1]]

---

模型建立

  由于结构简单并没有建立隐藏层。

建立模型代码

def getIrisModel(saveModelPath,step):

    """

    :param saveModelPath: 模型保存路径

    :param step: 训练步数

    :return: None

    """

    x_train, x_test, y_train, y_test = dealIrisData("iris.data")

    # 输入层

    with tf.variable_scope("data"):

        x = tf.placeholder(tf.float32,[None,4])

        y_true = tf.placeholder(tf.int32,[None,3])

        # placeholder()函数是在神经网络构建graph的时候在模型中的占位，此时并没有把要输入的数据传入模型，

        # 它只会分配必要的内存。等建立session，在会话中，运行模型的时候通过feed_dict()函数向占位符喂入数据。

    # 无隐藏层

    # 输出层

    with tf.variable_scope("fc_model"):

        weight = tf.Variable(tf.random_normal([4,3],mean=0.0,stddev=1.0)) # 创建一个形状为[4,3]，均值为0，方差为1的正态分布随机值变量

        bias = tf.Variable(tf.constant(0.0,shape=[3])) # 创建 张量为0，形状为3变量

        y_predict = tf.matmul(x,weight)+bias # 矩阵相乘

        # Variable()创建一个变量

    # 误差

    with tf.variable_scope("loss"):

        loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y_true,logits=y_predict))

    # 优化器

    with tf.variable_scope("optimizer"):

        train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

    # 准确率

    with tf.variable_scope("acc"):

        equal_list = tf.equal(tf.arg_max(y_true,1),tf.arg_max(y_predict,1))

        accuracy = tf.reduce_mean(tf.cast(equal_list,tf.float32))

    # 开始训练

    with tf.Session() as sess:

        saver = tf.train.Saver()

        sess.run(tf.global_variables_initializer())

        for i in range(step):

            _train = sess.run(train_op, feed_dict={x: x_train, y_true: y_train})

            _acc = sess.run(accuracy, feed_dict={x: x_train, y_true: y_train})

            print("训练%d步，准确率为%.2f" % (i + 1, _acc))

        print("测试集的准确率为%.2f" %sess.run(accuracy, feed_dict={x: x_test, y_true: y_test}))

        saver.save(sess, saveModelPath)

---

载入模型—预测鸢尾花

• saver.restore()时填的文件名，因为在saver.save的时候，每个checkpoint会保存三个文件，如 modelIris.meta,modelIris.index, modelIris.data-00000-of-00001
  
  在import_meta_graph时填的就是meta文件名，我们知道权值都保存在modelIris.data-00000-of-00001这个文件中，但是如果在restore方法中填这个文件名，就会报错，应该填的是前缀，这个前缀可以使用tf.train.latest_checkpoint(checkpoint_dir)这个方法获取。
• 模型的y中有用到placeholder，在sess.run()的时候肯定要feed对应的数据，因此还要根据具体placeholder的名字，从graph中使用get_operation_by_name方法获取。
  
  代码实现

def predictIris(modelPath,data):

    """

    :param modelPath: 载入模型路径

    :param data: 预测数据

    :return: None

    """

    with tf.Session() as sess:

        #

        new_saver = tf.train.import_meta_graph("model/iris_model.meta")

        new_saver.restore(sess,"model/iris_model")

        graph = tf.get_default_graph()

        x = graph.get_operation_by_name('data/x_pred').outputs[0]

        y = tf.get_collection("pred_network")[0]

        predict = np.argmax(sess.run(y,feed_dict={x:data}))

        if predict == 0:

            print("山鸢尾 Iris-Setosa")

        elif predict == 1:

            print("杂色鸢尾 Iris-versicolor")

        else:

            print("维吉尼亚鸢尾 Iris-virginica")

---

整体代码

import tensorflow as tf

import numpy as np

import pandas as pd

from keras.utils import np_utils

from sklearn.preprocessing import LabelEncoder

from sklearn.model_selection import train_test_split

import os

os.environ["CUDA_VISIBLE_DEVICES"] = "-1" # 不启动GPU

def dealIrisData(IrisDatapath):

    """

    :param IrisDatapath:传入数据集路径

    :return: 返回 训练特征集，测试特征集，训练标签集，测试标签集

    """

    # 读取数据集

    iris = pd.read_csv(IrisDatapath, header=None)

    # 数据集转化成数组

    iris = np.array(iris)

    # 提取特征集

    X = iris[:, 0:4]

    # 提取标签集

    Y = iris[:, 4]

    # One-Hot编码

    encoder = LabelEncoder()

    Y = encoder.fit_transform(Y)

    Y = np_utils.to_categorical(Y)

    x_train, x_test, y_train, y_test = train_test_split(X, Y, test_size=0.3)

    return x_train,x_test,y_train,y_test

def getIrisModel(saveModelPath,step):

    """

    :param saveModelPath: 模型保存路径

    :param step: 训练步数

    :return: None

    """

    x_train, x_test, y_train, y_test = dealIrisData("iris.data")

    # 输入层

    with tf.variable_scope("data"):

        x = tf.placeholder(tf.float32,[None,4],name='x_pred')

        y_true = tf.placeholder(tf.int32,[None,3])

        # placeholder()函数是在神经网络构建graph的时候在模型中的占位，此时并没有把要输入的数据传入模型，

        # 它只会分配必要的内存。等建立session，在会话中，运行模型的时候通过feed_dict()函数向占位符喂入数据。

    # 无隐藏层

    # 输出层

    with tf.variable_scope("fc_model"):

        weight = tf.Variable(tf.random_normal([4,3],mean=0.0,stddev=1.0)) # 创建一个形状为[4,3]，均值为0，方差为1的正态分布随机值变量

        bias = tf.Variable(tf.constant(0.0,shape=[3])) # 创建 张量为0，形状为3变量

        y_predict = tf.matmul(x,weight)+bias # 矩阵相乘

        tf.add_to_collection('pred_network', y_predict)  # 用于加载模型获取要预测的网络结构

        # Variable()创建一个变量

    # 误差

    with tf.variable_scope("loss"):

        loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y_true,logits=y_predict))

    # 优化器

    with tf.variable_scope("optimizer"):

        train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

    # 准确率

    with tf.variable_scope("acc"):

        equal_list = tf.equal(tf.arg_max(y_true,1),tf.arg_max(y_predict,1))

        accuracy = tf.reduce_mean(tf.cast(equal_list,tf.float32))

    # 开始训练

    with tf.Session() as sess:

        saver = tf.train.Saver()

        sess.run(tf.global_variables_initializer())

        for i in range(step):

            _train = sess.run(train_op, feed_dict={x: x_train, y_true: y_train})

            _acc = sess.run(accuracy, feed_dict={x: x_train, y_true: y_train})

            print("训练%d步，准确率为%.2f" % (i + 1, _acc))

        print("测试集的准确率为%.2f" %sess.run(accuracy, feed_dict={x: x_test, y_true: y_test}))

        saver.save(sess, saveModelPath)

def predictIris(modelPath,data):

    """

    :param modelPath: 载入模型路径

    :param data: 预测数据

    :return: None

    """

    with tf.Session() as sess:

        #

        new_saver = tf.train.import_meta_graph("model/iris_model.meta")

        new_saver.restore(sess,"model/iris_model")

        graph = tf.get_default_graph()

        x = graph.get_operation_by_name('data/x_pred').outputs[0]

        y = tf.get_collection("pred_network")[0]

        predict = np.argmax(sess.run(y,feed_dict={x:data}))

        if predict == 0:

            print("山鸢尾 Iris-Setosa")

        elif predict == 1:

            print("杂色鸢尾 Iris-versicolor")

        else:

            print("维吉尼亚鸢尾 Iris-virginica")

if __name__ == '__main__':

    model_path = "model/iris_model"

    # 模型训练

    # model = getIrisModel(model_path,1000)

    # 模型预测

    # predictData = [[5.0,3.4,1.5,0.2]] # 填入数据集

    # predictIris(model_path,predictData)