52. TensorFlow 汽车评估分类#

52.1. 介绍#

前面的实验已经学习了如何使用 TensorFlow 搭建人工神经网络，本次挑战将由你独立完成一个开放性的分类预测练习。

52.2. 知识点#

TensorFlow 构建神经网络
张量数据处理转换
损失函数，优化器

TensorFlow 构建人工神经网络的实验中，你已经学习了使用 TensorFlow 构建神经网络的一般步骤。本次挑战提供了 UCI 汽车评估数据集，你需要使用该数据集自行构建一个神经网络，并最终完成训练。

首先，导入该数据集，并简单处理。

                          wget -nc https://cdn.aibydoing.com/aibydoing/files/car.data

                        

                          import pandas as pd

# 加载数据集
df = pd.read_csv("car.data", header=None)
# 设置列名
df.columns = ["buying", "maint", "doors", "persons", "lug_boot", "safety", "class"]
df.head()

                        

	buying	maint	doors	persons	lug_boot	safety	class
0	vhigh	vhigh	2	2	small	low	unacc
1	vhigh	vhigh	2	2	small	med	unacc
2	vhigh	vhigh	2	2	small	high	unacc
3	vhigh	vhigh	2	2	med	low	unacc
4	vhigh	vhigh	2	2	med	med	unacc

数据集包含 6 个特征及 class 目标列。特征表示了汽车的价格及一些技术规格，而目标则是对样本的安全性评估，是一个多分类数据集。

挑战先对数据集完成训练集和测试集划分：

                          from sklearn.model_selection import train_test_split

X = df.iloc[:, :-1]  # 特征
y = df["class"]  # 目标

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=1)

X_train.shape, X_test.shape, y_train.shape, y_test.shape

((1382, 6), (346, 6), (1382,), (346,))

接下来，将由你独立完成神经网络的构建，并最终得到分类准确率结果。

Exercise 52.1

开放型挑战

挑战：使用 TensorFlow 构建一个合理的全连接人工神经网络，完成汽车安全性评估分类任务。

规定：你需要使用前面学习过的 TensorFlow 函数及方法完成网络的构建，训练，预测及评估。自行选择数据处理方式，神经网络结构，损失函数，优化方法等。数据预处理等非主要代码允许少量使用其他类库提供的函数及操作。

开放型挑战没有思路引导过程，有更大的自由度和灵活性，更锻炼独立解决问题能力。这可能会涉及到一些课程外的知识点，需要你拥有一定的探索精神和独立解决问题的能力。

参考答案 Exercise 52.1

                          X_train = pd.get_dummies(X_train).values
X_test = pd.get_dummies(X_test).values
y_train = pd.get_dummies(y_train).values
y_test = pd.get_dummies(y_test).values
X_train.shape, X_test.shape, y_train.shape, y_test.shape

                        

                          import tensorflow as tf

def fully_connected(inputs, weights, biases):
    """
    inputs -- 输入 Variable
    weights -- 权重项 Variable
    biases -- 截距项 Variable
    """
    layer = tf.add(tf.matmul(inputs, weights), biases)  # 输入 x 权重 + 截距
    output = tf.nn.relu(layer)  # RELU 激活
    return output

                        

                          x = tf.placeholder(tf.float32, [None, 21])  # 输入特征张量占位符

# 全连接层 1
W1 = tf.Variable(tf.random.uniform([21, 15]))  # 随机初始化权重
b1 = tf.Variable(tf.random.uniform([15]))
fc1 = fully_connected(x, W1, b1)

# 全连接层 2
W2 = tf.Variable(tf.random.uniform([15, 4]))
b2 = tf.Variable(tf.random.uniform([4]))
outs = fully_connected(fc1, W2, b2)

outs  # 输出

                        

                          y = tf.placeholder(tf.float32, [None, 4])  # 真实值标签占位符

# 交叉熵损失函数，reduce_mean 的目的是对每个样本的计算结果求平均
loss = tf.reduce_mean(
    tf.nn.softmax_cross_entropy_with_logits_v2(logits=outs, labels=y))
loss

                        

                          train_step = tf.train.AdamOptimizer(0.01).minimize(loss)
train_step

                          acc = tf.reduce_mean(tf.cast(tf.math.in_top_k(
    outs, tf.math.argmax(y, 1), k=1), tf.float32))  # 准确率计算

                          iters = 1000  # 迭代次数
feed_dict_train = {x: X_train, y: y_train}  # 训练数据
feed_dict_test = {x: X_test, y: y_test}  # 测试数据
init = tf.global_variables_initializer()  # 初始化全局变量
with tf.Session() as sess:
    sess.run(init)
    for i in range(iters):
        if (i+1) % 100 == 0:  # 每间隔 100 次打印 loss 值
            print("Iters [{}/{}], Train Acc [{:.3f}], Test Acc [{:.3f}]".format(
                i+1, iters, acc.eval(feed_dict=feed_dict_train), acc.eval(feed_dict=feed_dict_test)))
        sess.run(train_step, feed_dict=feed_dict_train)

                        

最终，挑战期望得到合理迭代次数下的测试集准确率和损失结果。示例如下：

期望输出

                      Epoch [000/500], Accuracy: [0.17], Loss: [9.9333]
Epoch [100/500], Accuracy: [0.93], Loss: [0.1228]
Epoch [200/500], Accuracy: [0.93], Loss: [0.1056]
Epoch [300/500], Accuracy: [0.93], Loss: [0.1025]
Epoch [400/500], Accuracy: [0.94], Loss: [0.1003]
Epoch [500/500], Accuracy: [0.94], Loss: [0.0992]

                    