tensorflow中RMSprop优化器运用

梦里梦外; 2023-02-12 14:27 16阅读 0赞

# tensorflow中RMSprop优化器运用 #

> ## RMSprop优化器引用API：tf.keras.optimizers.RMSprop ##

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3l1bmZlYXRoZXI_size_16_color_FFFFFF_t_70][]

![20200526150339527.png][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3l1bmZlYXRoZXI_size_16_color_FFFFFF_t_70 1][]

##  代码实现： ##

> ## \#RMSprop ##
> 
> ## beta = 0.9 \#定义超参数，经验值为0.9 ##
> 
> ## v\_w = beta \* v\_w + (1 - beta) \* tf.square(grads\[0\]) \#求二阶动量v\_w ##
> 
> ## v\_b = beta \* v\_b + (1 - beta) \* tf.square(grads\[1\]) \#求二阶动量v\_b ##
> 
> ## w1.assign\_sub(learning\_rate \* grads\[0\] / tf.sqrt(v\_w)) \#参数w1自更新 ##
> 
> ## b1.assign\_sub(learning\_rate \* grads\[1\] / tf.sqrt(v\_b)) \#参数b1自更新 ##

##  RMSprop优化器实现iris数据集分类：  ##

#导入模块
    import tensorflow as tf #导入tensorflow模块
    
    from sklearn import datasets #导入sklearn中的datasets模块，方便下载内置的iris数据集
    
    from matplotlib import pyplot as plt #导入matplotlib中的pyplot，待会画图
    
    import numpy as np #导入numpy模块做数学运算
    
    import time #导入时间模块，用来计时
    
    #导入数据
    x_data = datasets.load_iris().data #导入iris数据集的特征
    
    y_data = datasets.load_iris().target #导入iris数据集的标签
    
    #随机打乱顺序，使训练更具准确性
    np.random.seed(120)#调用numpy中的random方法里的seed方法，赋值120，使输入特征和标签能够一一对应
    
    np.random.shuffle(x_data) #调用numpy中的random方法里的shuffle方法，将训练集x_data里的特征值乱序
    
    np.random.seed(120)#调用numpy中的random方法里的seed方法，赋值120，使输入特征和标签能够一一对应
    
    np.random.shuffle(y_data) #调用numpy中的random方法里的shuffle方法，将测试集y_data里的标签乱序
    
    tf.random.set_seed(120)#调用tensorflow中的random方法里的set_seed方法，赋值120
    
    #划分数据集
    x_train = x_data[:-30] #将iris数据集（特征，共150行，此时已打乱）前120行作为训练集x_train
    
    y_train = y_data[:-30] #将iris数据集（标签，共150行，此时已打乱）前120行作为训练集y_train
    
    x_test = x_data[-30:] #将iris数据集（特征，共150行，此时已打乱）最后30行作为测试集x_test
    
    y_test = y_data[-30:] #将iris数据集（标签，共150行，此时已打乱）最后30行作为测试集y_test
    
    #转换特征值的数据类型，使之与后面数据运算时数据类型一致
    x_train = tf.cast(x_train, dtype = tf.float32) #调用tensorflow中的cast方法，将x_train中的特征值类型转换为float32
    
    x_test = tf.cast(x_test, dtype = tf.float32) #调用tensorflow中的cast方法，将x_test中的特征值类型转换为float32
    
    #用from_tensor_slices方法将特征值和标签值配对
    train_data_batch = tf.data.Dataset.from_tensor_slices((x_train, y_train)).batch(32)#将训练集的特征x_train和标签y_train配对，用batch方法将120个训练数据分成32个为一组的批次
    
    test_data_batch = tf.data.Dataset.from_tensor_slices((x_test, y_test)).batch(32)#将测试集的特征x_test和标签y_test配对，用batch方法将30个训练数据分成32个为一组的批次
    
    #用truncated_normal方法构建神经网络，并用Variable方法标记可训练数据
    w1 = tf.Variable(tf.random.truncated_normal([4, 3], stddev = 0.1, seed = 1))#用truncated_normal方法,构建4个输入特征，3个分类的神经网络结构，标准差为0.1的正态分布，随机种子为1
    
    b1 = tf.Variable(tf.random.truncated_normal([3], stddev = 0.1, seed = 1))#用truncated_normal方法,因为b1和w1的分类维度要一样，所以是3，标准差为0.1的正态分布，随机种子为1
    
    #设置变量
    learnRate = 0.1 #学习率为0.1
    
    train_loss_results = [] #将每轮的loss记录在此列表中，为后面画loss曲线时提供数据
    
    test_accuracy = [] #将每轮的精度accuracy记录在此列表中，为后面画精度accuracy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
    
    #############################################################
    #SGDM优化器参数设置
    # m_w, m_b = 0, 0 #初始化一阶动量m_w, m_b为0
    #
    # beta = 0.9 #设置超参数为0.9
    #############################################################
    #############################################################
    #Adagrad优化器参数设置
    # v_w, v_b = 0, 0 #初始化二阶动量v_w, v_b
    #############################################################
    #############################################################
    #RMSprop优化器参数设置
    v_w, v_b = 0, 0 #初始化二阶动量v_w, v_b
    beta = 0.9 #初始化超参数为0.9
    #############################################################
    
    #训练部分
    now_time = time.time() #用时间戳记录训练起始时间now_time
    
    for epoch in range(epoch): #遍历数据集，每个epoch循环一次数据集
        for step, (x_train, y_train) in enumerate(train_data_batch): #遍历batch，每个step循环一次batch
            with tf.GradientTape() as tape: #用上下文管理器记录梯度信息
                y = tf.matmul(x_train, w1) + b1 #神经网络乘加运算，用tensorflow中的matmul方法将训练特征值x_train和w1参数进行矩阵相乘
                y = tf.nn.softmax(y) #用tensorflow中的softmax方法将神经网络乘加运算后得到的输出符合正态分布，输出和为1，可以在之后用来与独热码相减求loss
                y_one_hot = tf.one_hot(y_train, depth = 3) #用tensorflow中的one_hot方法将训练标签y_train转换为独热码格式，因为y输出为3，所以深度为3，方便接下来计算loss的和
                loss = tf.reduce_mean(tf.square(y_one_hot - y)) #用tensorflow中的reduce_mean方法求平均值，用tensorflow中的square方法求平方，这里用均方误差求损失函数loss
                loss_all += loss.numpy() #将每个step计算出的loss累加，后面可以用来求loss平均值，
    
            #计算loss对各个参数的梯度
            loss_gradient = tape.gradient(loss, [w1, b1])#用tensorflow中的GradientTape方法中的gradient方法求loss对各个参数w1,b1的梯度gradient
    
            #############################################################
            # RMSprop优化器，进行梯度更新
            v_w = beta * v_w + (1 - beta) * tf.square(loss_gradient[0]) #计算二阶动量v_w
            v_b = beta * v_b + (1 - beta) * tf.square(loss_gradient[1]) #计算二阶动量v_b
            w1.assign_sub(learnRate * loss_gradient[0] / tf.sqrt(v_w)) #自更新w1
            b1.assign_sub(learnRate * loss_gradient[1] / tf.sqrt(v_b)) #自更新b1
    
            #############################################################
            #############################################################
            # Adagrad优化器，进行梯度更新
            # v_w += tf.square(loss_gradient[0]) #求二阶动量v_w，从开始到此刻梯度的平方和
            # v_b += tf.square(loss_gradient[1]) #求二阶动量v_b，从开始到此刻梯度的平方和
            # w1.assign_sub(learnRate * loss_gradient[0] /tf.sqrt(v_w)) #对参数w1进行更新
            # b1.assign_sub(learnRate * loss_gradient[1] / tf.sqrt(v_b)) #对参数b1进行更新
    
            #############################################################
            #############################################################
            #SGDM优化器，进行梯度更新
            # m_w = beta * m_w + (1 - beta) * loss_gradient[0] #求一阶动量m_w
            # m_b = beta * m_b + (1 - beta) * loss_gradient[1] #求一阶动量m_b
            # w1.assign_sub(learnRate * m_w) #对参数w1进行更新
            # b1.assign_sub(learnRate * m_b) #对参数b1进行更新
            #############################################################
    
            #############################################################
    
            # 梯度更新,使用了SGD(无monentum)优化器
            # w1.assign_sub(
            #     learnRate * loss_gradient[0])  # 用assign_sub方法进行自减，实现参数w1的自动更新,等价于w1 = w1 - learn_Rate * loss_gradient[0]
            # b1.assign_sub(
            #     learnRate * loss_gradient[1])  # 用assign_sub方法进行自减，实现参数b1的自动更新,等价于b = b - learn_Rate * loss_gradient[1]
    
            #############################################################
    
    
        # 每个epoch,打印loss信息
        print("epoch: {}, loss: {}".format(epoch,loss_all / 4))  # 每个epoch,打印loss信息,有4个step，所以总loss_all要除以4，求得每次step的平均loss
        train_loss_results.append(loss_all / 4)  # 用append方法将4个step的loss求平均值记录在train_loss_results中
        loss_all = 0  # loss_all归零，为下一个epoch的求loss做准备
    
        # 测试部分
        total_correct = 0  # total_correct为预测对的样本个数，初始化为0
        total_test_number = 0  # total_number为测试的总样本数，初始化为0
    
        for x_test, y_test in test_data_batch:  # 遍历训练集的特征值和标签值
            # 用更新后的参数进行预测
            y = tf.matmul(x_test, w1) + b1  # 用tensorflow中的matmul方法来进行乘加运算，再加上b1得到前向传播的结果
            y = tf.nn.softmax(y)  # 用tensorflow中的softmax方法将神经网络乘加运算后得到的前向传播的结果符合正态分布，输出和为1，可以在之后用来与独热码相减求loss
            predict = tf.argmax(y, axis=1)  # 用tensorflow中的argmax方法，返回y中最大值的索引，即预测的标签分类，axis表示按列求值
            predict = tf.cast(predict, dtype=y_test.dtype)  # 将predict的类型转换为测试集标签y_test的数据类型
            correct = tf.cast(tf.equal(predict, y_test),
                              dtype=tf.int32)  # 用tensorflow中的equal方法判断，若分类正确，则值为1，否则为0，并用tensorflow中的cast方法将bool类型转化为int32类型
            correct = tf.reduce_sum(correct)  # 用tensorflow中的reduce_sum方法将每个batch的correct数加起来
            total_correct += int(correct)  # 将所有batch中的correct数转化为int类型，并加起来
            total_test_number += x_test.shape[0]  # 用shape方法返回测试集特征x_test的行数，也就是测试的总样本数
    
        accuracy = total_correct / total_test_number  # 总的准确率
        test_accuracy.append(accuracy)  # 测试集的准确率添加到列表中来，方便记录
        print("test_accuracy:", accuracy)  # 打印测试集精度准确率
        print("-------------------------------------------------")  # 为每个epoch进行分隔，方便查看
    
    total_time = time.time() - now_time #用时间戳记录总训练时间total_time
    
    print("total_time:", total_time) #打印总训练时间total_time
    
    # 绘制loss曲线
    plt.title('Loss Function Curve')  # 用matplotlib中的title方法标出图片标题
    plt.xlabel("Epoch")  # 用matplotlib中的xlabel方法标出x轴变量名称
    plt.ylabel("Loss")  # 用matplotlib中的ylabel方法标出y轴变量名称
    plt.plot(train_loss_results, label="$Loss$")  # 用matplotlib中的plot方法逐点画出训练集损失值结果train_loss_results值并连线，连线的标签为Loss
    plt.legend()  # 用matplotlib中的legend方法画出曲线图标
    plt.show()  # 用matplotlib中的show方法画出图像
    
    # 绘制accuracy曲线
    plt.title("Accuracy Curve")  # 用matplotlib中的title方法标出图片标题
    plt.xlabel("Epoch")  # 用matplotlib中的xlabel方法标出x轴变量名称
    plt.ylabel("Accuracy")  # 用matplotlib中的ylabel方法标出y轴变量名称
    plt.plot(test_accuracy, label="$Accuracy$")  ##用matplotlib中的plot方法逐点画出测试集精准度test_accuracy值并连线，连线的标签为Accuracy
    plt.legend()  # 用matplotlib中的legend方法画出曲线图标
    plt.show()  # 用matplotlib中的show方法画出图像

## 结果为： ##

> E:\\Anaconda3\\envs\\TF2\\python.exe C:/Users/Administrator/PycharmProjects/untitled8/iris数据集分类.py  
> epoch: 0, loss: 0.3414287343621254  
> test\_accuracy: 0.3  
> \-------------------------------------------------  
> epoch: 1, loss: 0.43335895985364914  
> test\_accuracy: 0.3  
> \-------------------------------------------------  
> epoch: 2, loss: 0.34064947813749313  
> test\_accuracy: 0.3  
> \-------------------------------------------------  
> 省略.......  
> \-------------------------------------------------  
> epoch: 498, loss: nan  
> test\_accuracy: 0.3333333333333333  
> \-------------------------------------------------  
> epoch: 499, loss: nan  
> test\_accuracy: 0.3333333333333333  
> \-------------------------------------------------  
> **total\_time: 15.984497308731079**  
>

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3l1bmZlYXRoZXI_size_16_color_FFFFFF_t_70 2][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3l1bmZlYXRoZXI_size_16_color_FFFFFF_t_70 3][]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3l1bmZlYXRoZXI_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20200526112803797.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3l1bmZlYXRoZXI=,size_16,color_FFFFFF,t_70
[20200526150339527.png]: https://img-blog.csdnimg.cn/20200526150339527.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3l1bmZlYXRoZXI_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20200526150359250.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3l1bmZlYXRoZXI=,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3l1bmZlYXRoZXI_size_16_color_FFFFFF_t_70 2]: https://img-blog.csdnimg.cn/2020052615170314.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3l1bmZlYXRoZXI=,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3l1bmZlYXRoZXI_size_16_color_FFFFFF_t_70 3]: https://img-blog.csdnimg.cn/20200526151722908.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3l1bmZlYXRoZXI=,size_16,color_FFFFFF,t_70