tensorflow之逻辑回归

逻辑回归

(1)手写数字介绍

数据集下载网址：http://yann.lecun.com/exdb/mnist/
数据分为训练集合测试集，数据对应有：特征及标签；
为了方便实现分类，本文使用one-hot 编码方式；

(2)手写数字识别

加载手写数字集；
分批次训练，定义批次大小；
定义占位符，用于输入x和结果y；
定义网络结构，预测，计算误差，梯度下降优化；
开始训练，定义准确率，分批次统计准确率；

# coding=utf-8
'''
手写数字识别：0-9的数字(进行one-hot编码)
数据集：
输入：训练 60000，测试 1000，维度：28*28，维度[60000,784],
输出：[60000,10]
softmax:将结果转化为概率，得出最终的预测分类
'''
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

# 1.加载数据
mnist = input_data.read_data_sets('data/MNIST_data',one_hot=True)
# 2.使用小批量训练，定义批次大小
batch_size = 100
# 计算训练次数
batch_num = mnist.train.num_examples//batch_size
# 3.定义占位符
x = tf.placeholder(tf.float32,[None,784])#输入的占位符
y = tf.placeholder(tf.float32,[None,10])#输出的占位符
# 4.定义网络结构
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
# 预测
predict = tf.nn.sigmoid(tf.matmul(x,W)+b)
# 代价函数
loss = tf.reduce_mean(tf.square(y-predict))
# 梯度下降
train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)
# 5.开始训练
init = tf.global_variables_initializer()
# 结果存储在布尔列表中(概率最大的位置是否相等)
correct_prediction = tf.equal(tf.arg_max(y,1),tf.arg_max(predict,1))
# 准确率(转为浮点后的均值)
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
with tf.Session() as sess:
    sess.run(init)
    for epoch in range(21):
        for batch in range(batch_size):
            batch_x,batch_y = mnist.train.next_batch(batch_size)
            sess.run(train_step,feed_dict={x:batch_x,y:batch_y})
        acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})
        print('Iter'+str(epoch)+',Test accuracy'+str(acc))

预测的最终准确率：Iter20,Test accuracy0.87

tensorflow之逻辑回归

猜你喜欢