当前位置： 移动技术网 > IT编程>脚本编程>Python > TensorFlow实现Logistic回归

TensorFlow实现Logistic回归

2018年09月21日  | 移动技术网IT编程  | 我要评论

王玉斐,overture4.0中文版,冷酷总裁俏情人

本文实例为大家分享了tensorflow实现logistic回归的具体代码，供大家参考，具体内容如下

1.导入模块

import numpy as np
import pandas as pd
from pandas import series,dataframe

from matplotlib import pyplot as plt
%matplotlib inline

#导入tensorflow
import tensorflow as tf

#导入mnist(手写数字数据集)
from tensorflow.examples.tutorials.mnist import input_data

2.获取训练数据和测试数据

import ssl 
ssl._create_default_https_context = ssl._create_unverified_context

mnist = input_data.read_data_sets('./tensorflow',one_hot=true)

test = mnist.test
test_images = test.images

train = mnist.train
images = train.images

3.模拟线性方程

#创建占矩阵位符x,y
x = tf.placeholder(tf.float32,shape=[none,784])
y = tf.placeholder(tf.float32,shape=[none,10])

#随机生成斜率w和截距b
w = tf.variable(tf.zeros([784,10]))
b = tf.variable(tf.zeros([10]))

#根据模拟线性方程得出预测值
y_pre = tf.matmul(x,w)+b

#将预测值结果概率化
y_pre_r = tf.nn.softmax(y_pre)

4.构造损失函数

# -y*tf.log(y_pre_r) --->-pi*log(pi)  信息熵公式

cost = tf.reduce_mean(-tf.reduce_sum(y*tf.log(y_pre_r),axis=1))

5.实现梯度下降，获取最小损失函数

#learning_rate:学习率,是进行训练时在最陡的梯度方向上所采取的「步」长；
learning_rate = 0.01
optimizer = tf.train.gradientdescentoptimizer(learning_rate).minimize(cost)

6.tensorflow初始化，并进行训练

#定义相关参数

#训练循环次数
training_epochs = 25
#batch 一批，每次训练给算法10个数据
batch_size = 10
#每隔5次，打印输出运算的结果
display_step = 5


#预定义初始化
init = tf.global_variables_initializer()

#开始训练
with tf.session() as sess:
  #初始化
  sess.run(init)
  #循环训练次数
  for epoch in range(training_epochs):
    avg_cost = 0.
    #总训练批次total_batch =训练总样本量/每批次样本数量
    total_batch = int(train.num_examples/batch_size)
    for i in range(total_batch):
      #每次取出100个数据作为训练数据
      batch_xs,batch_ys = mnist.train.next_batch(batch_size)
      _, c = sess.run([optimizer,cost],feed_dict={x:batch_xs,y:batch_ys})
      avg_cost +=c/total_batch
    if(epoch+1)%display_step == 0:
      print(batch_xs.shape,batch_ys.shape)
      print('epoch:','%04d'%(epoch+1),'cost=','{:.9f}'.format(avg_cost))
  print('optimization finished!')

  #7.评估效果
  # test model
  correct_prediction = tf.equal(tf.argmax(y_pre_r,1),tf.argmax(y,1))
  # calculate accuracy for 3000 examples
  # tf.cast类型转换
  accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
  print("accuracy:",accuracy.eval({x: mnist.test.images[:3000], y: mnist.test.labels[:3000]}))

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持移动技术网。

您可能感兴趣的文章:

如对本文有疑问，请在下面进行留言讨论，广大热心网友会与你互动！！ 点击进行留言回复

相关文章:

验证码：
最近更新的文章
大家感兴趣的文章
移动技术网