飞浆中基于前馈神经网络完成鸢尾花分类任务这一章节

基于前馈神经网络完成鸢尾花分类任务是飞浆中的一个示例教程，旨在介绍如何使用飞浆框架实现一个简单的分类任务。

该教程使用鸢尾花数据集，包含了三种鸢尾花的数据，每个数据包括四个特征：花萼长度、花萼宽度、花瓣长度和花瓣宽度，以及对应的标签，即鸢尾花的种类。

在该教程中，使用一个包含两个隐藏层的前馈神经网络来完成鸢尾花分类任务。首先，需要对数据进行预处理和划分为训练集和测试集。然后，定义神经网络模型的结构，并指定损失函数和优化算法。接着，使用训练集对模型进行训练，并使用测试集对模型进行评估。

该教程详细介绍了如何使用飞浆框架完成一个基于前馈神经网络的分类任务，对于初学者来说是一个很好的入门教程。

相关问题

基于前馈神经网络的鸢尾花分类

### 使用前馈神经网络对鸢尾花数据集进行分类

#### 数据预处理
为了使用前馈神经网络对鸢尾花数据集进行分类，首先要加载并预处理数据。由于该数据集中共有150条记录，每条记录具有四个属性——花萼长度、花萼宽度、花瓣长度和花瓣宽度，并分为三个类别：山鸢尾（Iris-setosa）、变色鸢尾（Iris-versicolor）和维吉尼亚鸢尾（Iris-virginica），因此需要将这些标签转换为适合模型输入的形式。

对于PyTorch框架而言，在环境准备好之后可以采用如下方式读取与分割数据：

import torch
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler, LabelEncoder

# 加载鸢尾花数据集
data = load_iris()
X = data.data
y = data.target

# 对特征值标准化
scaler = StandardScaler().fit(X)
X_scaled = scaler.transform(X)

# 编码目标变量
encoder = LabelEncoder()
y_encoded = encoder.fit_transform(y)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(
    X_scaled, y_encoded, test_size=0.2, random_state=42)

# 转换为张量
X_train_tensor = torch.tensor(X_train).float()
X_test_tensor = torch.tensor(X_test).float()
y_train_tensor = torch.tensor(y_train).long()  # 类型应为 long
y_test_tensor = torch.tensor(y_test).long()

print('Data preparation completed.')

#### 构建前馈神经网络模型
定义一个简单的三层全连接层组成的前馈神经网络结构，其中包含两个隐藏层，激活函数选用ReLU，最后一层通过Softmax输出概率分布用于多类别的预测。

import torch.nn as nn

class IrisNet(nn.Module):
    def __init__(self):
        super(IrisNet, self).__init__()
        self.fc1 = nn.Linear(4, 8)  # 输入维度为4，第一个隐含层节点数设为8
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(8, 6)  # 第二个隐含层节点数设为6
        self.output_layer = nn.Linear(6, 3)  # 输出层对应于三个可能的结果
        
    def forward(self, x):
        out = self.fc1(x)
        out = self.relu(out)
        out = self.fc2(out)
        out = self.relu(out)
        out = self.output_layer(out)
        return out
    
model = IrisNet()
criterion = nn.CrossEntropyLoss()  # 定义损失函数
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)  # Adam优化器

#### 训练过程
设置批量大小(batch size)，迭代次数(epoch number)，并通过循环完成整个训练流程；每次更新参数之前计算当前批次上的平均误差作为反馈信号调整权重矩阵直至收敛为止。

batch_size = 10
epochs = 100

for epoch in range(epochs):
    permutation = torch.randperm(X_train_tensor.size()[0])
    
    for i in range(0,X_train_tensor.size()[0], batch_size):
        indices = permutation[i:i+batch_size]
        batch_x, batch_y = X_train_tensor[indices], y_train_tensor[indices]

        outputs = model(batch_x)
        loss = criterion(outputs, batch_y)
        
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
        
    if (epoch+1)%10==0:
        print(f'Epoch [{epoch+1}/{epochs}], Loss: {loss.item():.4f}')

#### 测试与评估
最后一步是在验证集上运行经过训练后的模型以检验其泛化能力，并统计准确率等指标衡量性能优劣程度。

with torch.no_grad():
    correct = 0
    total = 0
    for i in range(len(X_test_tensor)):
        output = model(X_test_tensor[i].unsqueeze_(0))
        _, predicted = torch.max(output.data, 1)
        total += 1
        correct += int(predicted == y_test_tensor[i])

accuracy = 100 * correct / total
print(f'Test Accuracy of the model on the 30 test samples: {accuracy:.2f}%')