python中怎么使用Tensorflow训练BP神经网络实现鸢尾花分类
导读：本文共3689.5字符，通常情况下阅读需要12分钟。同时您也可以点击右侧朗读，来听本文内容。按键盘←（左） →（右） 方向键可以翻页。
摘要： 使用软件Python 3.8，Tensorflow2.0问题描述鸢尾花主要分为狗尾草鸢尾(0)、杂色鸢尾(1)、弗吉尼亚鸢尾(2)。人们发现通过计算鸢尾花的花萼长、花萼宽、花瓣长、花瓣宽可以将鸢尾花分类。所以只要给出足够多的鸢尾花花萼、花瓣数据，以及对应种类，使用合适的神经网络训练，就可以实现鸢尾花分类。搭建神经网络输入数据是花萼长、花萼宽、花瓣长、花瓣宽，是n... ...
目录
(为您整理了一些要点),点击可以直达。
Python 3.8，Tensorflow2.0
鸢尾花主要分为狗尾草鸢尾(0)、杂色鸢尾(1)、弗吉尼亚鸢尾(2)。
人们发现通过计算鸢尾花的花萼长、花萼宽、花瓣长、花瓣宽可以将鸢尾花分类。
所以只要给出足够多的鸢尾花花萼、花瓣数据，以及对应种类，使用合适的神经网络训练，就可以实现鸢尾花分类。
输入数据是花萼长、花萼宽、花瓣长、花瓣宽，是n行四列的矩阵。
而输出的是每个种类的概率，是n行三列的矩阵。
我们采用BP神经网络，设X为输入数据，Y为输出数据，W为权重，B偏置。有
y=x∗w+b
因为x为n行四列的矩阵，y为n行三列的矩阵，所以w必须为四行三列的矩阵，每个神经元对应一个b，所以b为一行三列的的矩阵。
神经网络如下图。
所以，只要找到合适的w和b，就能准确判断鸢尾花的种类。
下面就开始对这两个参数进行训练。
损失函数表达的是预测值(y*)和真实值(y)的差距，我们采用均方误差公式作为损失函数。
损失函数值越小，说明预测值和真实值越接近，w和b就越合适。
如果人来一组一组试，那肯定是不行的。所以我们采用梯度下降算法来找到损失函数最小值。
梯度：对函数求偏导的向量。梯度下降的方向就是函数减少的方向。
其中a为学习率，即梯度下降的步长，如果a太大，就可能错过最优值，如果a太小，则就需要更多步才能找到最优值。所以选择合适的学习率很关键。
通过反向传播来优化参数。
反向传播：从后向前，逐层求损失函数对每层神经元参数的偏导数，迭代更新所有参数。
比如
可以看到w会逐渐趋向于loss的最小值0。
以上就是我们训练的全部关键点。
我们使用sklearn包提供的鸢尾花数据集。共150组数据。
打乱保证数据的随机性，取前120个为训练集，后30个为测试集。
python中怎么使用Tensorflow训练BP神经网络实现鸢尾花分类的详细内容，希望对您有所帮助，信息来源于网络。