构建简单的神经网络

在本节中，我们将学习如何使用 TensorFlow 构建一个简单的神经网络。我们将通过以下几个步骤来完成：

1. 环境准备
2. 数据准备
3. 构建神经网络模型
4. 编译模型
5. 训练模型
6. 评估模型

1. 环境准备

在开始之前，确保你已经安装了 TensorFlow。你可以使用以下命令来安装 TensorFlow：

pip install tensorflow

2. 数据准备

在这里，我们将使用经典的 iris 数据集。我们将加载数据并对其进行预处理。iris 数据集是一个多分类问题，包含 150 个样本，3 个类别，4 个特征。

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.datasets import load_iris

# 加载数据集
iris = load_iris()
X = iris.data
y = iris.target

# 数据划分
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 标准化特征
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

3. 构建神经网络模型

使用 tf.keras 创建一个简单的全连接神经网络。将使用 Sequential API 构建模型。

import tensorflow as tf

# 构建模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(10, activation='relu', input_shape=(X_train.shape[1],)),  # 第一层
    tf.keras.layers.Dense(10, activation='relu'),                                   # 第二层
    tf.keras.layers.Dense(3, activation='softmax')                                  # 输出层
])

在上面的代码中，我们构建了一个包含两个隐藏层的神经网络，每个隐藏层都有 10 个神经元。输出层使用 softmax 激活函数，适合多分类问题。

4. 编译模型

在编译模型时，需要指定损失函数、优化器和评估指标。

model.compile(
    optimizer='adam',
    loss='sparse_categorical_crossentropy',
    metrics=['accuracy']
)

在这里，我们使用 adam 优化器，损失函数为 sparse_categorical_crossentropy，因为我们的目标变量是整数形式。

5. 训练模型

使用 fit 方法来训练模型，指定训练数据、标签和训练的周期数。

history = model.fit(X_train, y_train, epochs=50, validation_split=0.2)

在这一行代码中，epochs=50 表示我们将训练 50 个周期，validation_split=0.2 表示将 20% 的训练数据用于验证。

6. 评估模型

训练完模型后，我们可以在测试集上评估其性能。

test_loss, test_accuracy = model.evaluate(X_test, y_test)
print(f'测试损失: {test_loss}, 测试准确率: {test_accuracy}')

以上代码将输出在测试集上的损失值和准确率。

7. 完整代码示例

以下是整个流程的完整代码汇总：

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.datasets import load_iris
import tensorflow as tf

# 加载数据集
iris = load_iris()
X = iris.data
y = iris.target

# 数据划分
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 标准化特征
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

# 构建模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(10, activation='relu', input_shape=(X_train.shape[1],)),
    tf.keras.layers.Dense(10, activation='relu'),
    tf.keras.layers.Dense(3, activation='softmax')
])

# 编译模型
model.compile(
    optimizer='adam',
    loss='sparse_categorical_crossentropy',
    metrics=['accuracy']
)

# 训练模型
history = model.fit(X_train, y_train, epochs=50, validation_split=0.2)

# 评估模型
test_loss, test_accuracy = model.evaluate(X_test, y_test)
print(f'测试损失: {test_loss}, 测试准确率: {test_accuracy}')

经过这些步骤，我们成功地从零开始构建了一个简单的神经网络并在 iris 数据集上进行了训练和评估。你可以根据自己的需求修改网络结构或训练参数。