Tensorflow 基于minst手写数字数据集合建立逻辑回归分类模型

THE MNIST DATABASE of handwritten digits（点击进入下载4个数据文件）

加载一下数据集

import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
import input_data
import warnings
warnings.filterwarnings("ignore")
mnist      = input_data.read_data_sets('data/', one_hot=True)#进行度热编码
trainimg   = mnist.train.images
trainlabel = mnist.train.labels
testimg    = mnist.test.images
testlabel  = mnist.test.labels
print ("MNIST loaded")

print (trainimg.shape)
print (trainlabel.shape)
print (testimg.shape)
print (testlabel.shape)
#print (trainimg)
print (trainlabel[0])

模型建立：

#None（无穷）为输入数据，784为输入数据单个案例的维度（列）
x = tf.placeholder("float", [None, 784]) 
y = tf.placeholder("float", [None, 10])  # None is for infinite 
#对784个维度附上权重w
W = tf.Variable(tf.zeros([784, 10]))
#由于做10分类，因此只需要10个偏置因子b即可
b = tf.Variable(tf.zeros([10]))
# 假设一个模型
#由于逻辑回归为二分类，因此做个转化为softmax分类
#softmax（得分值）=x*w+b
actv = tf.nn.softmax(tf.matmul(x, W) + b) 
# 在tf.reduce_sum等函数中，有一个reduction_indices参数，表示函数的处理维度。
# 当没有reduction_indices这个参数，此时该参数取默认值None，将把input_tensor降到0维，也就是一个数


# 损失函数：逻辑回归的为-logP，tf.log(actv)与[0. 0. 0. 0. 0. 0. 0. 1. 0. 0.]相乘，得到对应真实标签的均值
cost = tf.reduce_mean(-tf.reduce_sum(y*tf.log(actv), reduction_indices=1)) 
# 使用梯度下降对loss函数进行求解
learning_rate = 0.01
optm = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)

模型评估

# 对于预测值label与索引值label是否
pred = tf.equal(tf.argmax(actv, 1), tf.argmax(y, 1))   
# tf.cast将pred转化为float，布尔类型转为01，计算准确率
accr = tf.reduce_mean(tf.cast(pred, "float"))
# 初始化
init = tf.global_variables_initializer()

模型求解：

#所有样本迭代50次
training_epochs = 50
#一次迭代100个样本
batch_size      = 100
display_step    = 5
# SESSION
sess = tf.Session()
sess.run(init)
# MINI-BATCH LEARNING
for epoch in range(training_epochs):
    #初始化loss=0
    avg_cost = 0.
    #计算一次迭代100个样本有多少个batch
    num_batch = int(mnist.train.num_examples/batch_size)
    for i in range(num_batch): 
        #第一个batch
        batch_xs, batch_ys = mnist.train.next_batch(batch_size)
        #使用梯度下降法（optm）对每个batch进行求解，
        sess.run(optm, feed_dict={x: batch_xs, y: batch_ys})
        #计算更新后权重的loss值
        feeds = {x: batch_xs, y: batch_ys}
    avg_cost += sess.run(cost, feed_dict=feeds)/num_batch
        
    # 每五个epochs输出一下
    if epoch % display_step == 0:
        feeds_train = {x: batch_xs, y: batch_ys}
        feeds_test = {x: mnist.test.images, y: mnist.test.labels}
        train_acc = sess.run(accr, feed_dict=feeds_train)
        test_acc = sess.run(accr, feed_dict=feeds_test)
        print ("Epoch: %03d/%03d cost: %.9f train_acc: %.3f test_acc: %.3f" 
               % (epoch, training_epochs, avg_cost, train_acc, test_acc))
print ("DONE")

可以看到效果还是较为不错了，测试集准确率达到了0.978

Tensorflow 基于minst手写数字数据集合建立逻辑回归分类模型

猜你喜欢