TensorFlow实现Softmax Regression识别手写数字

本文是按照黄文坚、唐源所著的《TensorFlow实战》一书，进行编写。在TensorFlow实战之余，力求简洁地讲清当中涉及机器学习、深度学习的原理，而并非只是简单调用TensorFlow中的Python api！

1 Softmax Regression原理

要讲Softmax回归，就要先讲Logistic回归。定性地来讲，Softmax回归是Logitic回归的拓展。一般而言，Logistic常用于二分类问题上，而Softmax回归则可用于多分类的问题上，比如后面实现的手写数字识别。

这里在使用TensorFlow实现Softmax回归识别手写数字之前，简单地讲解一下Softmax回归的原理。此处讲解以和Logistic回归对比为主。

Logistic回归和Softmax回归的对比：

前提：训练集由m个已标记（label）的样本构成：，其中，输入特征

无论是使用Logitic回归，还是Softmax回归，对于J(θ)的最小化问题，目前还没有闭式解法（即没有严格的公式，给出任意自变量就可以求出因变量的方法）。因此，我们可使用梯度下降法等，进行迭代优化。此时，需要求偏导，然后，调整学习速率进行权重更新。

2 算法实现流程

A 加载MNIST数据集

MNIST数据集下载网站：http://yann.lecun.com/exdb/mnist/，TensorFlow中有函数可以自动下载MNIST数据，如果下好的话，运行会更快一些。

B 初始化参数

在TensorFlow中使用placeholder初始化自变量x，使用Variable初始化权重w和偏置b。

C 构造模型

此程序使用的是Softmax模型，在TensorFlow中直接可调用

D 迭代训练参数

代价函数使用交叉熵的思想，梯度下降进行优化，多次迭代进行参数更新。

E 显示在测试集中的准确率

3 编程实现

# -*- coding:utf-8 -*-
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
import os
# 本程序是tensorflow中的基本例程： 使用softmax回归实现手写数字识别
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '3'  # 只显示errormnist = input_data.read_data_sets("./MNIST_data/",one_hot=True)
print(mnist.train.images.shape,mnist.train.labels.shape)
print(mnist.test.images.shape,mnist.test.labels.shape)
print(mnist.validation.images.shape,mnist.validation.labels.shape)
#print(mnist.train.labels[0])sess = tf.InteractiveSession()
x = tf.placeholder(tf.float32,[None,784]) # placeholder可指定数据类型
w = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))y = tf.nn.softmax(tf.matmul(x,w)+b) # 预测值y_ = tf.placeholder(tf.float32,[None,10]) # 真实值
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_*tf.log(y),reduction_indices=[1]))train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)tf.global_variables_initializer().run()for i in range(1000):batch_xs,batch_ys = mnist.train.next_batch(100)train_step.run({x:batch_xs,y_:batch_ys})#print(sess.run(y,feed_dict={x:batch_xs})) # 显示每一次Softmax回归的结果，即每一类别的概率值
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))print(accuracy.eval({x:mnist.test.images,y_:mnist.test.labels}))

4 实验结果

显示部分Softmax回归求出来的值，可以从下图可见，其求出的值是一个概率值。

识别率大致为92%

TensorFlow实现Softmax相关推荐

TensorFlow MNIST (Softmax)
代码 import tensorflow as tf import numpy as np from tensorflow.examples.tutorials.mnist import input_ ...
tensorflow之softmax
softmax 就是把值做个映射,映射到0-1之间,并且映射之后,和为1. 举个例子: tt = tf.constant([1.0,2.0]) y = tf.nn.softmax(tt)with tf ...
TensorFlow实战之Softmax Regression识别手写数字
本文根据最近学习TensorFlow书籍网络文章的情况,特将一些学习心得做了总结,详情如下.如有不当之处,请各位大拿多多指点,在此谢过. 一.相关概念 1.MNIST MNIST(Mixed N ...
tensorflow问题
20210121 ImportError: No module named 'tensorflow.python' https://stackoverflow.com/questions/414156 ...
Tensorflow快速入门2--实现手写数字识别
Tensorflow快速入门2–实现手写数字识别环境: 虚拟机ubuntun16.0.4 Tensorflow 版本:0.12.0(仅使用cpu下) Tensorflow安装见: http:/ ...
tensorflow保存模型和加载模型的方法(Python和Android)
tensorflow保存模型和加载模型的方法(Python和Android) 一.tensorflow保存模型的几种方法: (1) tf.train.saver()保存模型使用 tf.train.s ...
softmax实现多分类算法推导及代码实现
关于多分类我们常见的逻辑回归.SVM等常用于解决二分类问题,对于多分类问题,比如识别手写数字,它就需要10个分类,同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这里讨论另外一种方式 ...
tensorflow实战学习笔记(1)
tensorflow提供了三种不同的加速神经网路训练的并行计算模式 (一)数据并行: (二)模型并行: (三)流水线并行: 主流深度学习框架对比(2017): 第一章 Tensorflow实现Soft ...
tensor如何实现转置_转置（）TensorFlow中的函数
转置是TensorFlow中提供的函数.此函数用于转置输入张量.语法:转置(input_tensor,perm,conjugate)参数:input_tensor:顾名思义,它是要转置的张量.类型:T ...

TensorFlow实现Softmax