逻辑回归学习（一）

最新推荐文章于 2025-08-20 17:11:08 发布

原创最新推荐文章于 2025-08-20 17:11:08 发布 · 243 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#逻辑回归

全连接网络专栏收录该内容

4 篇文章

订阅专栏

本文介绍了一个使用TensorFlow实现的手写数字识别模型。该模型采用简单的全连接网络结构，通过MNIST数据集训练并评估。文章展示了如何定义输入、权重、偏置等变量，并利用softmax函数进行分类预测，最后计算交叉熵损失。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

代码：

#-*- coding:utf-8 -*-
#author : zhangwei

import os
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
mnist = input_data.read_data_sets("MNIST_data" , one_hot=True)

print '-----------------------开始设计图--------------------------'
with tf.Graph().as_default():
    with tf.name_scope('Input'):
        x = tf.placeholder(tf.float32 , shape=[None , 784] , name='input_x')
        y = tf.placeholder(tf.float32 , shape=[None , 10] , name='input_y')

    with tf.name_scope('Inference'):
        w = tf.Variable(tf.truncated_normal([784 , 10]) , name='Inference_w')
        b = tf.Variable(tf.zeros([10]) , name='Inference_b')
        logits = tf.add(tf.matmul(x , w) , b)

    with tf.name_scope('Softmax'):
        y_pred = tf.nn.softmax(logits)

    with tf.name_scope('Loss'):
        cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=y_pred , labels=y) , name='Cross_entropy')



    writer = tf.summary.FileWriter(logdir='/home/zhangwei' , graph=tf.get_default_graph())
    writer.close()