多分类问题：使用多层神经网络完成iris数据集训练和测试（Pytorch）

admin • 2022-11-14 19:52 • 人工智能

0. 声明

本文是作者，总结学到的知识，使用Pandas, Numpy, Pytorch等，完成多分类实验。若有错误，欢迎指正。🏫

1. 实验要求

请用多层神经网络完成iris数据集的训练和测试。
其中训练集占用80%，测试集20%。
模型层数及形状可以任意指定，模型输出部分采用softmax，损失函数采用交叉熵损失函数。
请用sklearn的f1_score函数评价模型在测试集上的表现。

2. 数据集部分样本

3. 完整训练代码展示

import torch
import numpy as np
import pandas as pd
from torch.utils.data.dataset import Dataset
from torch.utils.data.dataloader import DataLoader
import torch.nn.functional as F  # 激励函数都在这
from sklearn.metrics import accuracy_score
from sklearn.metrics import f1_score

# 设置随机种子
seed = 1
torch.manual_seed(seed)
torch.cuda.manual_seed(seed)
torch.cuda.manual_seed_all(seed)  # if you are using multi-GPU.
np.random.seed(seed)  # Numpy module.
torch.manual_seed(seed)

# 超参数
Max_epoch = 100
batch_size = 6
learning_rate = 0.05
path = "Iris.csv"
train_rate = 0.8

df = pd.read_csv(path)

# pandas 打乱数据
df = df.sample(frac=1)
cols_feature = ['SepalLengthCm', 'SepalWidthCm', 'PetalLengthCm', 'PetalWidthCm']
df_features = df[cols_feature]
df_categories = df['Species']

# 类别字符串转换为数字。
categories_digitization = []

for i in df_categories:
	if i == 'Iris-setosa':
		categories_digitization.append(0)
	elif i == 'Iris-versicolor':
		categories_digitization.append(1)
	else:
		categories_digitization.append(2)

features = torch.from_numpy(np.float32(df_features.values))

print(features)

categories_digitization = np.array(categories_digitization)
categories_digitization = torch.from_numpy(categories_digitization)

print("categories_digitization",categories_digitization)

# 定义MyDataset类，继承Dataset方法，并重写__getitem__()和__len__()方法
class MyDataset(Dataset):
	# 初始化函数，得到数据
	def __init__(self, datas, labels):
		self.datas = datas
		self.labels = labels

	# print(df_categories_digitization)

	# index是根据batchsize划分数据后得到的索引，最后将data和对应的labels进行一起返回
	def __getitem__(self, index):
		features = self.datas[index]
		categories_digitization = self.labels[index]
		return features, categories_digitization

	# 该函数返回数据大小长度，目的是DataLoader方便划分，如果不知道大小，DataLoader会一脸懵逼
	def __len__(self):
		return len(self.labels)

num_train = int(features.shape[0] * train_rate)
train_x = features[:num_train]
train_y = categories_digitization[:num_train]
test_x = features[num_train:]
test_y = categories_digitization[num_train:]

# 通过MyDataset将数据进行加载，返回Dataset对象，包含data和labels
train_data = MyDataset(train_x, train_y)
test_data = MyDataset(test_x, test_y)

# 读取数据
train_dataloader = DataLoader(train_data, batch_size=batch_size, shuffle=True, drop_last=False, num_workers=2)
test_dataloader = DataLoader(test_data, batch_size=batch_size, shuffle=True, drop_last=False, num_workers=2)
# for i in train_dataloader:
# 	print("train_dataloader",i)

for i, data in enumerate(train_dataloader):
	# i表示第几个batch， data表示该batch对应的数据，包含data和对应的labels
	print("train_dataloader: 第 {} 个Batch n{}".format(i, data))
print("===================n")
for i, data in enumerate(test_dataloader):
	# i表示第几个batch， data表示该batch对应的数据，包含data和对应的labels
	print("test_dataloader: 第 {} 个Batch n{}".format(i, data))


class Net(torch.nn.Module):  # 继承 torch 的 Module
	def __init__(self, n_feature, n_hidden, n_output):
		super(Net, self).__init__()  # 继承 __init__ 功能
		# 定义每层用什么样的形式
		self.hidden0 = torch.nn.Linear(n_feature, n_hidden)  # 隐藏层线性输出
		# self.hidden1 = torch.nn.Linear(n_hidden, n_hidden)  # 隐藏层线性输出
		# self.hidden2 = torch.nn.Linear(n_hidden, n_hidden)  # 隐藏层线性输出
		# self.hidden3 = torch.nn.Linear(n_hidden, n_hidden)  # 隐藏层线性输出
		# self.hidden4 = torch.nn.Linear(n_hidden, n_hidden)  # 隐藏层线性输出

		self.predict =torch.nn.Linear(n_hidden, n_output)  # 输出层线性输出

	def forward(self, x):  # 这同时也是 Module 中的 forward 功能
		# 正向传播输入值, 神经网络分析出输出值
		x = F.relu(self.hidden0(x))  # 激励函数(隐藏层的线性值)
		# x = F.relu(self.hidden1(x))  # 激励函数(隐藏层的线性值)
		# x = F.relu(self.hidden2(x))  # 激励函数(隐藏层的线性值)
		# x = F.relu(self.hidden3(x))  # 激励函数(隐藏层的线性值)
		# x = F.relu(self.hidden4(x))  # 激励函数(隐藏层的线性值)

		x = self.predict(x)
		# x = F.softmax(self.predict(x))	# 输出值
		return x


net = Net(n_feature=4, n_hidden=6, n_output=3)

print(net)  # net 的结构

# optimizer 是训练的工具
loss_func = torch.nn.CrossEntropyLoss()  # 预测值和真实值的误差计算公式 (交叉熵)
optimizer = torch.optim.Adam(net.parameters(), lr=learning_rate)  # 传入 net 的所有参数, 学习率

# training
net.train()
for epoch in range(Max_epoch):
	for step, batch in enumerate(train_dataloader):
		batch_x, batch_y = batch
		print("batch_x是：",batch_x)

		pred_y = net(batch_x)

		loss = loss_func(pred_y, batch_y)

		# backward
		optimizer.zero_grad()  # 清空上一步的残余更新参数值
		loss.backward()  # 误差反向传播, 计算参数更新值
		optimizer.step()  # 将参数更新值施加到 net 的 parameters 上

		print("epoch:{}, step:{}, loss:{}".format(epoch, step, loss.detach().item()))

# testing
net.eval()  #测试的时候需要net.eval()
test_pred = []
test_true = []
for step, batch in enumerate(test_dataloader):
	batch_x, batch_y = batch
	logistics = net(batch_x)
	# 取每个[]中最大的值。
	pred_y = logistics.argmax(1)
	test_true.extend(batch_y.numpy().tolist())
	test_pred.extend(pred_y.detach().numpy().tolist())
print(f"测试集预测{test_pred}")
print(f"测试集准确{test_true}")
accuracy = accuracy_score(test_true, test_pred)
f1 = f1_score(test_true, test_pred, average = "macro")

print(f"Accuracy的值为:{accuracy}")
print(f"F1的值为:{f1}")

4. 解决逻辑

4.1 数据预处理

数据集保存格式为 .csv文件 -> 使用pandas读取文件。
数据集相同类别过于密集 -> 使用pandas中sample函数打乱数据集（frac = 1）。
提取df_features（特征）和 df_categories（类别）。
发现categories中的数据都是字符串类型，但神经网络投喂的类型都是数字。 -> 编写逻辑把统一类型映射到相同的integer（0，1，2）。

# pandas 打乱数据
import pandas as pd

df = df.sample(frac=1)
cols_feature = ['SepalLengthCm', 'SepalWidthCm', 'PetalLengthCm', 'PetalWidthCm']
df_features = df[cols_feature]
df_categories = df['Species']

# 类别字符串转换为数字。
categories_digitization = []

for i in df_categories:
	if i == 'Iris-setosa':
		categories_digitization.append(0)
	elif i == 'Iris-versicolor':
		categories_digitization.append(1)
	else:
		categories_digitization.append(2)

4.2 数据处理（Pytorch环境下）

4.2.1 把数据预处理中处理的数据转换成tensor（投喂进神经网络的数据类型）。

1. 判断df_features类型：df_features是DataFrame - > df_features.values是ndarray。-> 可以使用torch.from_numpy()函数把array类型转换成tensor类型。
In: type(df_features)
Out: pandas.core.frame.DataFrame
In: type(df_features.values)
Out: numpy.ndarray

2. 判断categories_digitization类型：⚠️：categories_digitization是list -> np.array()转换成array类型 -> torch.from_numpy()转换成tensor类型）。

import torch
import numpy as np

features = torch.from_numpy(np.float32(df_features.values))
print(features)

categories_digitization = np.array(categories_digitization)
categories_digitization = torch.from_numpy(categories_digitization)
print("categories_digitization",categories_digitization)

4.2.2 继承Dataset：定义在Pytorch环境下，可方便使用的数据集（MyDataset：自己命名）。

from torch.utils.data.dataset import Dataset

思考：调用MyDataset的时候传入什么数据会很舒服。本人觉得传入（特征，特征对应的类别）很舒服！如下所述。

# 通过MyDataset将数据进行加载，返回Dataset对象，包含data和labels
train_data = MyDataset(train_x, train_y)
test_data = MyDataset(test_x, test_y)

创建自己的MyDateset(Dataset)类，根据自己的喜好传入参数。

# 定义MyDataset类，继承Dataset方法，并重写__getitem__()和__len__()方法
class MyDataset(Dataset):
	# 初始化函数，得到数据
	def __init__(self, datas, labels):
		self.datas = datas
		self.labels = labels

	# print(df_categories_digitization)

	# index是根据batchsize划分数据后得到的索引，最后将data和对应的labels进行一起返回
	def __getitem__(self, index):
		features = self.datas[index]
		categories_digitization = self.labels[index]
		return features, categories_digitization

	# 该函数返回数据大小长度，目的是DataLoader方便划分，如果不知道大小，DataLoader会一脸懵逼
	def __len__(self):
		return len(self.labels)

4.2.3 训练集：测试集 = 8: 2 拆分

num_train = int(features.shape[0] * train_rate)
train_x = features[:num_train]
train_y = categories_digitization[:num_train]
test_x = features[num_train:]
test_y = categories_digitization[num_train:]

4.2.4 数据加载 And 数据的读取

from torch.utils.data.dataset import Dataset
from torch.utils.data.dataloader import DataLoader

# 通过MyDataset将数据进行加载，返回Dataset对象，包含data和labels
train_data = MyDataset(train_x, train_y)
test_data = MyDataset(test_x, test_y)

# 读取数据
train_dataloader = DataLoader(train_data, batch_size=batch_size, shuffle=True, drop_last=False, num_workers=2)
test_dataloader = DataLoader(test_data, batch_size=batch_size, shuffle=True, drop_last=False, num_workers=2)
# for i in train_dataloader:
# 	print("train_dataloader",i)

for i, data in enumerate(train_dataloader):
	# i表示第几个batch， data表示该batch对应的数据，包含data和对应的labels
	print("train_dataloader: 第 {} 个Batch n{}".format(i, data))
print("===================n")
for i, data in enumerate(test_dataloader):
	# i表示第几个batch， data表示该batch对应的数据，包含data和对应的labels
	print("test_dataloader: 第 {} 个Batch n{}".format(i, data))

4.3 神经网络的构建（Pytorch环境下）

有时从结果 - > 决定现在的动作有奇效。
根据数据集中有4个features 和 3个categories -> 输入特征 = 4 和输出类别 = 3。
神经网络通常需要隐藏层，隐藏层层数自己看着效果决定。
调用代码中需要决定自己每层的节点个数（输入层节点：4，隐藏层：6，输出层：3）。

net = Net(n_feature=4, n_hidden=6, n_output=3)

定义自己的神经网络类（需继承torch.nn.Module，之后在__init__()函数中继承Module的__init__()函数）。会有疑问：为什么明明是多分类问题，在前向传播函数中没有使用softmax()函数？此问题将在下面解答。

import torch.nn.functional as F  # 激励函数都在这

class Net(torch.nn.Module):  # 继承 torch 的 Module
	def __init__(self, n_feature, n_hidden, n_output):
		super(Net, self).__init__()  # 继承 __init__ 功能
		# 定义每层用什么样的形式
		self.hidden0 = torch.nn.Linear(n_feature, n_hidden)  # 隐藏层线性输出
		# self.hidden1 = torch.nn.Linear(n_hidden, n_hidden)  # 隐藏层线性输出
		# self.hidden2 = torch.nn.Linear(n_hidden, n_hidden)  # 隐藏层线性输出
		# self.hidden3 = torch.nn.Linear(n_hidden, n_hidden)  # 隐藏层线性输出
		# self.hidden4 = torch.nn.Linear(n_hidden, n_hidden)  # 隐藏层线性输出

		self.predict =torch.nn.Linear(n_hidden, n_output)  # 输出层线性输出

	def forward(self, x):  # 这同时也是 Module 中的 forward 功能
		# 正向传播输入值, 神经网络分析出输出值
		x = F.relu(self.hidden0(x))  # 激励函数(隐藏层的线性值)
		# x = F.relu(self.hidden1(x))  # 激励函数(隐藏层的线性值)
		# x = F.relu(self.hidden2(x))  # 激励函数(隐藏层的线性值)
		# x = F.relu(self.hidden3(x))  # 激励函数(隐藏层的线性值)
		# x = F.relu(self.hidden4(x))  # 激励函数(隐藏层的线性值)

		x = self.predict(x)
		# x = F.softmax(self.predict(x))	# 输出值
		return x

4.4 神经网络的Loss函数 And 优化器（optimizer）的使用（Pytorch环境下）

loss函数使用的是交叉熵损失函数。回答不使用 x = F.softmax(self.predict(x)) 的问题；因为Pytorch中的交叉熵损失函数内置了softmax函数。
优化器使用Adam来优化。

# optimizer 是训练的工具
loss_func = torch.nn.CrossEntropyLoss()  # 预测值和真实值的误差计算公式 (交叉熵)
optimizer = torch.optim.Adam(net.parameters(), lr=learning_rate)  # 传入 net 的所有参数, 学习率

4.5 神经网络的训练（Pytorch环境下）

epoch：定义最大的 epoch。
train_dataloader：使用 train_dataloader 绑定的数据。
net：把特征值喂入 net，之后预测类别。
loss：把预测的值和真实值传入 loss 函数
backward：反向传播时；首先，把清空 optimizer 上一步的残余更新参数值；之后，loss 函数误差反向传播，计算参数更新值；最后，将参数更新值施加到 net 的 parameters上。

# training
net.train()
for epoch in range(Max_epoch):
	for step, batch in enumerate(train_dataloader):
		batch_x, batch_y = batch
		print("batch_x是：",batch_x)

		pred_y = net(batch_x)

		loss = loss_func(pred_y, batch_y)

		# backward
		optimizer.zero_grad()  # 清空上一步的残余更新参数值
		loss.backward()  # 误差反向传播, 计算参数更新值
		optimizer.step()  # 将参数更新值施加到 net 的 parameters 上

		print("epoch:{}, step:{}, loss:{}".format(epoch, step, loss.detach().item()))

4.6 神经网络的测试（Pytorch环境下）

需要使用sklearn的评价函数，需要传入的值时list类型。-> 创建 test_pred[ ] 和 test_true[ ] 来保存结果，用于传入sklearn中的函数。
⚠️：交叉熵损失函数以后的结果如下图所示：需要从中选择最大值，所以需要使用： pred_y = logistics.argmax(1)

# testing
net.eval()  #测试的时候需要net.eval()
test_pred = []
test_true = []
for step, batch in enumerate(test_dataloader):
	batch_x, batch_y = batch
	logistics = net(batch_x)

	print("logistics",logistics)
	# 取每个[]中最大的值。
	pred_y = logistics.argmax(1)

	print("pred_y",pred_y)

4.7 使用Sklearn 获取Accuracy 和 F1值

from sklearn.metrics import accuracy_score
from sklearn.metrics import f1_score

	test_true.extend(batch_y.numpy().tolist())
	test_pred.extend(pred_y.detach().numpy().tolist())
print(f"测试集预测{test_pred}")
print(f"测试集准确{test_true}")
accuracy = accuracy_score(test_true, test_pred)
f1 = f1_score(test_true, test_pred, average = "macro")

print(f"Accuracy的值为:{accuracy}")
print(f"F1的值为:{f1}")

4.8 为了保证每次实验结果都相同，设置随机种子

# 设置随机种子
seed = 1
torch.manual_seed(seed)
torch.cuda.manual_seed(seed)
torch.cuda.manual_seed_all(seed)  # if you are using multi-GPU.
np.random.seed(seed)  # Numpy module.
torch.manual_seed(seed)

4.9 超参数的定义和所有引用包

import torch
import numpy as np
import pandas as pd
from torch.utils.data.dataset import Dataset
from torch.utils.data.dataloader import DataLoader
import torch.nn.functional as F  # 激励函数都在这
from sklearn.metrics import accuracy_score
from sklearn.metrics import f1_score

# 超参数
Max_epoch = 100
batch_size = 6
learning_rate = 0.05
path = "Iris.csv"
train_rate = 0.8

5. 调参和最后结果

6. 附件📎（数据集）

Id,SepalLengthCm,SepalWidthCm,PetalLengthCm,PetalWidthCm,Species
1,5.1,3.5,1.4,0.2,Iris-setosa
2,4.9,3.0,1.4,0.2,Iris-setosa
3,4.7,3.2,1.3,0.2,Iris-setosa
4,4.6,3.1,1.5,0.2,Iris-setosa
5,5.0,3.6,1.4,0.2,Iris-setosa
6,5.4,3.9,1.7,0.4,Iris-setosa
7,4.6,3.4,1.4,0.3,Iris-setosa
8,5.0,3.4,1.5,0.2,Iris-setosa
9,4.4,2.9,1.4,0.2,Iris-setosa
10,4.9,3.1,1.5,0.1,Iris-setosa
11,5.4,3.7,1.5,0.2,Iris-setosa
12,4.8,3.4,1.6,0.2,Iris-setosa
13,4.8,3.0,1.4,0.1,Iris-setosa
14,4.3,3.0,1.1,0.1,Iris-setosa
15,5.8,4.0,1.2,0.2,Iris-setosa
16,5.7,4.4,1.5,0.4,Iris-setosa
17,5.4,3.9,1.3,0.4,Iris-setosa
18,5.1,3.5,1.4,0.3,Iris-setosa
19,5.7,3.8,1.7,0.3,Iris-setosa
20,5.1,3.8,1.5,0.3,Iris-setosa
21,5.4,3.4,1.7,0.2,Iris-setosa
22,5.1,3.7,1.5,0.4,Iris-setosa
23,4.6,3.6,1.0,0.2,Iris-setosa
24,5.1,3.3,1.7,0.5,Iris-setosa
25,4.8,3.4,1.9,0.2,Iris-setosa
26,5.0,3.0,1.6,0.2,Iris-setosa
27,5.0,3.4,1.6,0.4,Iris-setosa
28,5.2,3.5,1.5,0.2,Iris-setosa
29,5.2,3.4,1.4,0.2,Iris-setosa
30,4.7,3.2,1.6,0.2,Iris-setosa
31,4.8,3.1,1.6,0.2,Iris-setosa
32,5.4,3.4,1.5,0.4,Iris-setosa
33,5.2,4.1,1.5,0.1,Iris-setosa
34,5.5,4.2,1.4,0.2,Iris-setosa
35,4.9,3.1,1.5,0.1,Iris-setosa
36,5.0,3.2,1.2,0.2,Iris-setosa
37,5.5,3.5,1.3,0.2,Iris-setosa
38,4.9,3.1,1.5,0.1,Iris-setosa
39,4.4,3.0,1.3,0.2,Iris-setosa
40,5.1,3.4,1.5,0.2,Iris-setosa
41,5.0,3.5,1.3,0.3,Iris-setosa
42,4.5,2.3,1.3,0.3,Iris-setosa
43,4.4,3.2,1.3,0.2,Iris-setosa
44,5.0,3.5,1.6,0.6,Iris-setosa
45,5.1,3.8,1.9,0.4,Iris-setosa
46,4.8,3.0,1.4,0.3,Iris-setosa
47,5.1,3.8,1.6,0.2,Iris-setosa
48,4.6,3.2,1.4,0.2,Iris-setosa
49,5.3,3.7,1.5,0.2,Iris-setosa
50,5.0,3.3,1.4,0.2,Iris-setosa
51,7.0,3.2,4.7,1.4,Iris-versicolor
52,6.4,3.2,4.5,1.5,Iris-versicolor
53,6.9,3.1,4.9,1.5,Iris-versicolor
54,5.5,2.3,4.0,1.3,Iris-versicolor
55,6.5,2.8,4.6,1.5,Iris-versicolor
56,5.7,2.8,4.5,1.3,Iris-versicolor
57,6.3,3.3,4.7,1.6,Iris-versicolor
58,4.9,2.4,3.3,1.0,Iris-versicolor
59,6.6,2.9,4.6,1.3,Iris-versicolor
60,5.2,2.7,3.9,1.4,Iris-versicolor
61,5.0,2.0,3.5,1.0,Iris-versicolor
62,5.9,3.0,4.2,1.5,Iris-versicolor
63,6.0,2.2,4.0,1.0,Iris-versicolor
64,6.1,2.9,4.7,1.4,Iris-versicolor
65,5.6,2.9,3.6,1.3,Iris-versicolor
66,6.7,3.1,4.4,1.4,Iris-versicolor
67,5.6,3.0,4.5,1.5,Iris-versicolor
68,5.8,2.7,4.1,1.0,Iris-versicolor
69,6.2,2.2,4.5,1.5,Iris-versicolor
70,5.6,2.5,3.9,1.1,Iris-versicolor
71,5.9,3.2,4.8,1.8,Iris-versicolor
72,6.1,2.8,4.0,1.3,Iris-versicolor
73,6.3,2.5,4.9,1.5,Iris-versicolor
74,6.1,2.8,4.7,1.2,Iris-versicolor
75,6.4,2.9,4.3,1.3,Iris-versicolor
76,6.6,3.0,4.4,1.4,Iris-versicolor
77,6.8,2.8,4.8,1.4,Iris-versicolor
78,6.7,3.0,5.0,1.7,Iris-versicolor
79,6.0,2.9,4.5,1.5,Iris-versicolor
80,5.7,2.6,3.5,1.0,Iris-versicolor
81,5.5,2.4,3.8,1.1,Iris-versicolor
82,5.5,2.4,3.7,1.0,Iris-versicolor
83,5.8,2.7,3.9,1.2,Iris-versicolor
84,6.0,2.7,5.1,1.6,Iris-versicolor
85,5.4,3.0,4.5,1.5,Iris-versicolor
86,6.0,3.4,4.5,1.6,Iris-versicolor
87,6.7,3.1,4.7,1.5,Iris-versicolor
88,6.3,2.3,4.4,1.3,Iris-versicolor
89,5.6,3.0,4.1,1.3,Iris-versicolor
90,5.5,2.5,4.0,1.3,Iris-versicolor
91,5.5,2.6,4.4,1.2,Iris-versicolor
92,6.1,3.0,4.6,1.4,Iris-versicolor
93,5.8,2.6,4.0,1.2,Iris-versicolor
94,5.0,2.3,3.3,1.0,Iris-versicolor
95,5.6,2.7,4.2,1.3,Iris-versicolor
96,5.7,3.0,4.2,1.2,Iris-versicolor
97,5.7,2.9,4.2,1.3,Iris-versicolor
98,6.2,2.9,4.3,1.3,Iris-versicolor
99,5.1,2.5,3.0,1.1,Iris-versicolor
100,5.7,2.8,4.1,1.3,Iris-versicolor
101,6.3,3.3,6.0,2.5,Iris-virginica
102,5.8,2.7,5.1,1.9,Iris-virginica
103,7.1,3.0,5.9,2.1,Iris-virginica
104,6.3,2.9,5.6,1.8,Iris-virginica
105,6.5,3.0,5.8,2.2,Iris-virginica
106,7.6,3.0,6.6,2.1,Iris-virginica
107,4.9,2.5,4.5,1.7,Iris-virginica
108,7.3,2.9,6.3,1.8,Iris-virginica
109,6.7,2.5,5.8,1.8,Iris-virginica
110,7.2,3.6,6.1,2.5,Iris-virginica
111,6.5,3.2,5.1,2.0,Iris-virginica
112,6.4,2.7,5.3,1.9,Iris-virginica
113,6.8,3.0,5.5,2.1,Iris-virginica
114,5.7,2.5,5.0,2.0,Iris-virginica
115,5.8,2.8,5.1,2.4,Iris-virginica
116,6.4,3.2,5.3,2.3,Iris-virginica
117,6.5,3.0,5.5,1.8,Iris-virginica
118,7.7,3.8,6.7,2.2,Iris-virginica
119,7.7,2.6,6.9,2.3,Iris-virginica
120,6.0,2.2,5.0,1.5,Iris-virginica
121,6.9,3.2,5.7,2.3,Iris-virginica
122,5.6,2.8,4.9,2.0,Iris-virginica
123,7.7,2.8,6.7,2.0,Iris-virginica
124,6.3,2.7,4.9,1.8,Iris-virginica
125,6.7,3.3,5.7,2.1,Iris-virginica
126,7.2,3.2,6.0,1.8,Iris-virginica
127,6.2,2.8,4.8,1.8,Iris-virginica
128,6.1,3.0,4.9,1.8,Iris-virginica
129,6.4,2.8,5.6,2.1,Iris-virginica
130,7.2,3.0,5.8,1.6,Iris-virginica
131,7.4,2.8,6.1,1.9,Iris-virginica
132,7.9,3.8,6.4,2.0,Iris-virginica
133,6.4,2.8,5.6,2.2,Iris-virginica
134,6.3,2.8,5.1,1.5,Iris-virginica
135,6.1,2.6,5.6,1.4,Iris-virginica
136,7.7,3.0,6.1,2.3,Iris-virginica
137,6.3,3.4,5.6,2.4,Iris-virginica
138,6.4,3.1,5.5,1.8,Iris-virginica
139,6.0,3.0,4.8,1.8,Iris-virginica
140,6.9,3.1,5.4,2.1,Iris-virginica
141,6.7,3.1,5.6,2.4,Iris-virginica
142,6.9,3.1,5.1,2.3,Iris-virginica
143,5.8,2.7,5.1,1.9,Iris-virginica
144,6.8,3.2,5.9,2.3,Iris-virginica
145,6.7,3.3,5.7,2.5,Iris-virginica
146,6.7,3.0,5.2,2.3,Iris-virginica
147,6.3,2.5,5.0,1.9,Iris-virginica
148,6.5,3.0,5.2,2.0,Iris-virginica
149,6.2,3.4,5.4,2.3,Iris-virginica
150,5.9,3.0,5.1,1.8,Iris-virginica

本图文内容来源于网友网络收集整理提供，作为学习参考使用，版权属于原作者。

THE END

二维码

Python超简单实现同款爱心代码/opencv/几十行代码

< <上一篇

目标检测论文解读复现之三：基于改进YOLOv7的X光图像旋转目标检测

下一篇>>

搜索内容