### 使用 TensorFlow 2.0 实现鸢尾花分类 #### 导入必要的库 为了构建一个简单的鸢尾花分类模型，首先需要导入所需的 Python 库。 ```python import tensorflow as tf from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.preprocessing import OneHotEncoder import numpy as np ``` #### 加载并预处理数据 加载鸢尾花数据集，并对其进行适当的预处理以便用于训练神经网络模型。 ```python # Load dataset data = load_iris() X = data['data'] y = data['target'].reshape(-1, 1) # Encode labels into one-hot vectors encoder = OneHotEncoder(sparse=False) Y = encoder.fit_transform(y) # Splitting the dataset into training set and test set with an 80/20 ratio. X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.2, random_state=42) ``` #### 构建模型架构 创建一个多层感知器（MLP），该结构适合解决多类别分类问题。 ```python model = tf.keras.models.Sequential([ tf.keras.layers.Dense(10, activation='relu', input_shape=(4,)), tf.keras.layers.Dense(10, activation='relu'), tf.keras.layers.Dense(3, activation='softmax') ]) ``` 这里定义了一个三层的全连接前馈神经网络。输入层有四个节点对应于特征数量；两个隐藏层各有十个单元采用 ReLU 激活函数；最后一层输出三个概率分布值代表三种不同类型的鸢尾花物种预测结果[^1]。 #### 编译与训练模型 配置优化算法以及损失函数之后就可以开始训练过程了。 ```python # Compile model specifying optimizer, loss function and metrics to evaluate during training. model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) history = model.fit(X_train, Y_train, epochs=50, batch_size=10, validation_data=(X_test,Y_test)) ``` 上述代码片段设置了 Adam 作为梯度下降法求解最优参数的选择之一，并选择了交叉熵作为衡量误差的标准。此外还指定了准确率作为评估指标来监控模型的表现情况。 #### 测试模型准确性 最后一步是对测试集中未见过的数据点进行推理操作以验证最终效果如何。 ```python loss, accuracy = model.evaluate(X_test, Y_test) print(f'Test Accuracy: {accuracy:.4f}') ``` 此部分展示了如何利用之前已经训练好的模型来进行新样本类别的判定工作，并打印出整体上的精确程度得分。