本文章包含以下内容：

数据: lris数据集;

模型: Softmax回归模型;

损失函数:交叉嫡损失;

优化器:梯度下降法;

评价指标:准确率。

1.实验数据集

Iris(1).csv无法上传，这里就不提供下载了，它长这样

lris数据集，也称为鸢尾花数据集，包含了3种鸢尾花类别(Setosa · Versicolour - Virginica),每种类别有50个样本，共计150个样本。其中每个样本中包含了4个属性:花尊长度﹑花芎宽度﹑花瓣长度以及花瓣宽度，本实验通过鸢尾花这4个属性来判断该样本的类别。

2.读取数据集

实验中将数据集划分为三个部分:训练集:用于确定模型参数;

验证集:与训练集独立的样本集合，用于使用提前停止策略选择最优模型;

测试集:用于估计应用效果。

在本实验中，将80%的数据用于模型训练, 10%的数据用于模型验证，10%的数据用于模型测试。

3.模型构建

使用Softmax回归模型进行鸢尾花分类实验，将模型的输入维度定义为4，输出维度定义为3。

4.模型训练

使用训练集和验证集进行模型训练，共训练80个epoch，其中每隔10个epoch打印训练集上的指标，并且保存准确率最高的模型作为最佳模型。

5.模型评价

使用测试数据对在训练过程中保存的最佳模型进行评价，观察模型在测试集上的准确率情况。

6.模型预测

使用保存好的模型，对测试集中的数据进行模型预测，并取出1条数据观察模型效果。

代码如下：

import numpy as npimport pandas as pdimport torchfrom torch import nn# 读取数据def read_data(file):# 读取csv文件，并存入data，带标签 dataframedata = pd.read_csv(file)data = data.sample(frac=1).reset_index(drop=True) # 打乱数据集y = list(data['Species']) # 标签len_data = len(y) # 数据个数# labels 删除的列标签，axis=1 删除列，inplace=True 改变原数据data.drop(labels=['Id', 'Species'], axis=1, inplace=True) # 删除Id，Species列# Species 转独热向量for i in range(len(y)):if y[i] == 'Iris-setosa':y[i] = [1, 0, 0]elif y[i] == 'Iris-versicolor':y[i] = [0, 1, 0]elif y[i] == 'Iris-virginica':y[i] = [0, 0, 1]y = torch.Tensor(y) # 转张量data = torch.Tensor(data.values) # 转张量# train 训练# verification 验证# test 测试return [[data[0:int(len_data * 0.8)], y[0:int(len_data * 0.8)]],[data[int(len_data * 0.8):int(len_data * 0.9)], y[int(len_data * 0.8):int(len_data * 0.9)]],[data[int(len_data * 0.9):len_data], y[int(len_data * 0.9):len_data]]]# 初始化参数 通过从均值为0﹑标准差为0.01的正态分布中采样随机数来初始化权重# 并将偏置初始化为0。def chushi():# 返回从正态分布中提取的随机数的张量，该正态分布的均值是mean，标准差是std。# requires_grad=True 表示需要计算梯度，注意size=(4,3)列向量w = torch.normal(mean=0.1, std=0.01, size=(4, 3), requires_grad=True)return w# 测试函数，比较准确率def ceshi(w, f, l):c = 0# 模型计算出所有的结果l1 = softmax(f, w)for i in range(len(l)):# 如果最大值对应的l值是1，说明验证正确。s = -1t = float('-inf')for j in range(len(l[0])):if l1[i][j] > t:t = l1[i][j]s = jif l[i][s]:c = c + 1return c / len(l)# 该函数接收批量大小﹑特征矩阵和标签向量作为输入，生成大小为batch_size的小批量，每个小批量包含一组特征和标签。def data_iter(batch_size, features, labels): # 批量 特征 标签for i in range(len(labels) - batch_size):test_index = np.random.choice(len(features), batch_size, replace=False)yield features[test_index], labels[test_index]def softexp(A):A = A.exp()A_sum = A.sum(axis=1, keepdims=True)A = A / A_sumreturn A# 模型 输入特征为x﹑权重为wdef softmax(X, w):S = torch.matmul(X, w)return softexp(S)# 交叉熵损失函数,返回损失值，其中y_hat为预测值, y为真实值。def cross_entropy_loss(y_hat, y):lo = 0for i in range(len(y)):lo -= (torch.log(y_hat) * y).sum()return lo / len(y)# 从数据集中随机抽取小批量样本，根据参数计算损失的梯度;然后朝着减少损失的方向更新参数。# 实现小批量随机梯度下降更新，该函数接受模型参数集合﹑学习速率和批量大小作为输入。def sgd(params, lr, batch_size, X, y, y_hat):# dw = (1.0 / batch_size) * torch.matmul((y - y_hat).T,X)# params.data = params + lr * dw.Tparams.data -= lr * params.grad / batch_sizeparams.grad.zero_()def xunlian(batch_size, features, labels, f_verify, l_verify, w):lr = 0.03 # 学习率num_epochs = 81 # 循环次数net = softmax # 模型loss = cross_entropy_loss # 损失函数stop = 0 # 上一回的验证集准确率早停用for epoch in range(num_epochs):for X, y in data_iter(batch_size, features, labels):y_hat = net(X, w) # 计算y_hatl = loss(y_hat, y) # X和y 的小批量损失# 因为l形状是(batch_size,1)，而不是一个标量。l中的所有元素被加到一起，# 并以此计算关于[w,b]的梯度l.sum().backward()sgd(w, lr, batch_size, X, y, y_hat) # 使用参数的梯度更新参数if epoch % 10 == 0: # 每循环10次执行with torch.no_grad(): # 输出当前误差，循环次数train_l = loss(net(features, w), labels)print(f'epoch {epoch}, loss {float(train_l.mean()):f}')c = ceshi(w[:], features, labels, ) # 看一看在训练集上的准确率print('训练集准确率：', c * 100, "%")c = ceshi(w[:], f_verify, l_verify) # 看一看在验证集上的准确率if stop > c: # 准确率下降，早停print('验证集准确率：', c * 100, "%-》早停")breakelse:print('验证集准确率：', c * 100, "%")stop = cW = w # 拿验证集准确率最高的return W, stopfile = 'Iris(1).csv' # 数据文件[[X_train, y_train],[X_verification, y_verification],[X_test, y_test, ]] = read_data(file) # 读取数据集w = chushi() # 初始化 wbatch_size = 1 # 批量大小为 8# 训练函数[w, c] = xunlian(batch_size, X_train, y_train, X_verification, y_verification, w)print('训练完成====================================')c = ceshi(w[:], X_test, y_test) # 测试集准确率print('测试集准确率：', c * 100, "%")print('所得w如下：\n', w)print('例子：\n X值:', X_test[0:1])print('实际y', y_test[0:1])print('预测y', softmax(X_test[0:1], w))# print(w)

结果示例：

epoch 0, loss 68.055267训练集准确率： 63.33333333333333 %验证集准确率： 66.66666666666666 %epoch 10, loss 27.553486训练集准确率： 90.83333333333333 %验证集准确率： 100.0 %epoch 20, loss 18.791990训练集准确率： 95.83333333333334 %验证集准确率： 100.0 %epoch 30, loss 17.222626训练集准确率： 95.0 %验证集准确率： 100.0 %epoch 40, loss 18.608782训练集准确率： 92.5 %验证集准确率： 100.0 %epoch 50, loss 14.631225训练集准确率： 95.83333333333334 %验证集准确率： 100.0 %epoch 60, loss 15.789186训练集准确率： 95.0 %验证集准确率： 100.0 %epoch 70, loss 16.089447训练集准确率： 95.0 %验证集准确率： 100.0 %epoch 80, loss 12.320921训练集准确率： 96.66666666666667 %验证集准确率： 100.0 %训练完成====================================测试集准确率： 100.0 %所得w如下：tensor([[ 1.6637, 1.3427, -2.6891],[ 3.2052, 0.6697, -3.5951],[-4.0419, -0.4740, 4.8318],[-1.8177, -2.4302, 4.5498]], requires_grad=True)例子：X值: tensor([[5.4000, 3.4000, 1.5000, 0.4000]])实际y tensor([[1., 0., 0.]])预测y tensor([[9.9477e-01, 5.2329e-03, 4.3153e-14]], grad_fn=<DivBackward0>)进程已结束，退出代码为 0

epoch 0, loss 108.753929训练集准确率： 70.0 %验证集准确率： 40.0 %epoch 10, loss 34.283939训练集准确率： 85.83333333333333 %验证集准确率： 73.33333333333333 %epoch 20, loss 28.772650训练集准确率： 88.33333333333333 %验证集准确率： 80.0 %epoch 30, loss 15.300897训练集准确率： 96.66666666666667 %验证集准确率： 93.33333333333333 %epoch 40, loss 17.209322训练集准确率： 95.0 %验证集准确率： 93.33333333333333 %epoch 50, loss 13.655725训练集准确率： 95.83333333333334 %验证集准确率： 86.66666666666667 %-》早停训练完成====================================测试集准确率： 100.0 %所得w如下：tensor([[ 1.4083, 1.2524, -2.3524],[ 2.7663, 0.2030, -2.6643],[-3.4667, -0.2554, 4.0330],[-1.5833, -1.7317, 3.6147]], requires_grad=True)例子：X值: tensor([[5.2000, 4.1000, 1.5000, 0.1000]])实际y tensor([[1., 0., 0.]])预测y tensor([[9.9853e-01, 1.4738e-03, 8.8739e-14]], grad_fn=<DivBackward0>)进程已结束，退出代码为 0

你们可以改一下批量大小，建议改为2的幂次，最好不要大于64，能加快训练速度（虽然本来也不慢）。