Tensorflow 的Logistic回归

最新推荐文章于 2022-04-14 10:49:46 发布

AdamZhu_Spark

最新推荐文章于 2022-04-14 10:49:46 发布

阅读量233

点赞数

本文链接：https://blog.youkuaiyun.com/qq_34034442/article/details/81024828

版权

本文介绍了如何使用Tensorflow构建并训练Logistic回归模型。首先，设置了必要的库和导入数据，然后详细阐述了模型的搭建过程，最后执行了模型的训练步骤。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

简单的TF实现，用于识别minst手写数字

首先设置库与导入数据：

import tensorflow as tf
import numpy as np
#input_data文件为我自己的读取mnist数据库代码文件
import input_data
 
readData = input_data.read_data_sets("/home/hanchao/mnist" , one_hot=True)

设置参数：

learning_rate = 0.01
x = tf.placeholder("float",[None,784])
y = tf.placeholder("float",[None,10])
 
W = tf.Variable(tf.zeros([784,10], "float", "weight"))
b = tf.Variable(tf.zeros([10],"float","bais"))

模型：

activation = tf.nn.softmax(tf.matmul(x, W)+b)
#cost结果为互熵cross entropy
cost = tf.reduce_mean(-tf.reduce_sum(y*tf.log(activation),1))
#梯度下降法最小化互熵
opt = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)
 
init = tf.initialize_all_variables()

进行训练：

with tf.Session() as sess:
    sess.run(init)
    #train过程
    for step in range(25):
        avg_cost = 0.
        #分为多个batch训练
        totalStep = (int)(readData.train.num_examples/100)
        for i in range(totalStep):
            images,labels = readData.train.next_batch(100)
            sess.run(opt,feed_dict={x:images,y:labels})
            avg_cost += sess.run(cost,feed_dict={x:images,y:labels})/totalStep
        print "Step: ","%04d"%step," cost: ",avg_cost
        
    #test过程
    #读取测试样本
    testImages,testLabels = readData.test.next_batch(200)
    #初始化准确率
    accuracy = 0.
    #获得activation中每行最大值的下标作为预测结果
    predictResult = tf.arg_max(activation, 1)
    #测试样本共200个sample，遍历对每个sample进行测试
    for i in range(200):
        #p为第i个样本的分类结果
        p = sess.run(predictResult[i],feed_dict={x:testImages})
        #label为真实的样本标签
        label = np.argmax(testLabels, 1)
        l = label[i]
        #分类正确
        if(p == l):
            accuracy += 1.0/200.0
        print "Predict Result: ",p," True Label: ",l
    print "accuracy: ",accuracy

总结：通过设置参数就能调整模型，并能得到很高的的准确度