逻辑回归：代码实现

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
from tensorflow.examples.tutorials.mnist import input_data

trainimg = mnist.train.images
trainlabel = mnist.train.labels
testimg =  mnist.test.images
testlabel =  mnist.test.labels
print(trainlabel[0]) #输出第一行label值

运行结果：
在这里插入图片描述
判别样本是否为对应类别，是则为1，否则为0，完成10分类任务，故上述样本的类别为9。

#初始化变量
x = tf.placeholder("float",[None,784])  #placeholder（先占位，不复制）,[None,784]样本的个数（无限大），每个样本的特征（784个像素点）
y = tf.placeholder("float",[None,10])#样本的类别（10个）

W = tf.Variable(tf.zeros([784,10]))#每个特征（784个像素点）对应输出10个分类值
b = tf.Variable(tf.zeros([10]))

#逻辑回归模型（softmax完成多分类任务）
actv = tf.nn.softmax(tf.matmul(x,W)+b)#计算属于正确类别的概率值

#计算损失值（预测值与真实值间的均方差）
cost = tf.reduce_mean(-tf.reduce_sum(y*tf.log(actv),reduction_indices=1))

#采用梯度下降优化参数（W，b）,最小化损失值
learning_rate=0.01                    
optm = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost) #学习率为0.01
#optimizer = tf.train.GradientDescentOptimizer(0.01)#学习率为0.01

#最小化损失值
#optm = optimizer.minimize(cost)

#预测值，equal返回的值是布尔类型
#argmax返回矩阵中最大元素的索引，0，代表列方向；1代表行方向                     
pred =  tf.equal(tf.argmax(actv,1),tf.argmax(y,1)) 

#准确率
accr =   tf.reduce_mean(tf.cast(pred,"float"))  #cast进行类型转化 （true为1，false为0）                 
init_op = tf.global_variables_initializer() 

#定义全局变量
training_epochs = 50 #将所有样本迭代50次
batch_size = 100      #每次迭代选择样本的个数                
display_step =5       #每进行5个epoch进行一次展示               
with tf.Session() as sess:
    sess.run(init_op)
    for epoch in range(training_epochs):
        avg_cost =0.0 # 初始化损失值
        num_batch = int(mnist.train.num_examples/batch_size) 
        for i in range(num_batch):
            batch_xs, batch_ys = mnist.train.next_batch(batch_size) #以batch为单位逐次进行
            sess.run(optm,feed_dict={x: batch_xs,y: batch_ys}) #给x，y赋值
            feeds={x: batch_xs,y: batch_ys}  
            avg_cost +=sess.run(cost,feed_dict= feeds)/num_batch
       #显示
        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 trian_acc: %.3f test_acc: %.3f"
                 % (epoch,training_epochs,avg_cost,train_acc,test_acc))         
print("Done")

运行结果：
在这里插入图片描述
由上图可知训练集的准确率为91%，测试集的准确率为91.8%。

逻辑回归：代码实现

猜你喜欢