文章目录

1.前言
2.程序详细讲解
- 环境设定
- 数据读取
- 准备好placeholder，开好容器来装数据
- 准备好参数/权重
- 拿到每个类别的score
- 计算多分类softmax的loss function
- 准备好optimizer
- 在session里执行graph里定义的运算
3.总代码
4.输出结果
5.可视化
- Scalars
- Graphs

1.前言

解决分类问题里最普遍的baseline model就是逻辑回归，简单同时可解释性好，使得它大受欢迎，我们来用tensorflow完成这个模型的搭建。
在这篇文章中我们使用的是MNIST手写数字识别图像的数据集。
模型搭建的步骤和代码如下：

2.程序详细讲解

环境设定

import numpy as np
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
import time

数据读取

#使用tensorflow自带的工具来加载MNIST手写数字集合
mnist = input_data.read_data_sets('./data/mnist', one_hot=True)

上图即表示数据读取加载完成，后面我们可以查看一下数据的基本信息。

#查看一下数据维度
mnist.train.images.shape

#查看target维度
mnist.train.labels.shape

准备好placeholder，开好容器来装数据

batch_size = 128     #指定每次传入进内存的数据大小，指定之后可以防止数据出现错误
X = tf.placeholder(tf.float32, [batch_size, 784], name='X_placeholder')
Y = tf.placeholder(tf.int32, [batch_size, 10], name='Y_placeholder')#其实可以用下面这种方式，在不知道数据集大小的时候，传入的数据大小不固定，后面再根据实际情况来指定
# X = tf.placeholder(tf.float32, [None, 784], name='X_placeholder')
# Y = tf.placeholder(tf.int32, [None, 10], name='Y_placeholder')

准备好参数/权重

此处准备参数时一定要将参数的维度设定好，不然后面的计算会出错误。

w = tf.Variable(tf.random_normal(shape=[784, 10], stddev=0.01), name='weights')
b = tf.Variable(tf.zeros([1, 10]), name="bias")

拿到每个类别的score

logits = tf.matmul(X, w) + b

计算多分类softmax的loss function

# 求交叉熵损失
entropy = tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=Y, name='loss')
# 求平均
loss = tf.reduce_mean(entropy)    #此处使用的是求平均值的方式

准备好optimizer

这里的最优化用的是随机梯度下降，我们可以选择AdamOptimizer这样的优化器。Adam.Optimiter()是一个带动量的梯度下降，不会很快陷到局部最低点，它会找到一个接近全局最优解的低点，但不保证会找到全局最优解.

learning_rate = 0.01
optimizer = tf.train.AdamOptimizer(learning_rate).minimize(loss)

在session里执行graph里定义的运算

#迭代总轮次
n_epochs = 30with tf.Session() as sess:# 在Tensorboard里可以看到图的结构writer = tf.summary.FileWriter('./graphs/logistic_reg', sess.graph)start_time = time.time()sess.run(tf.global_variables_initializer()) n_batches = int(mnist.train.num_examples/batch_size)for i in range(n_epochs): # 将所有的训练数据迭代这么多轮total_loss = 0for _ in range(n_batches):X_batch, Y_batch = mnist.train.next_batch(batch_size)_, loss_batch = sess.run([optimizer, loss], feed_dict={X: X_batch, Y:Y_batch}) total_loss += loss_batchprint('Average loss epoch {0}: {1}'.format(i, total_loss/n_batches))print('Total time: {0} seconds'.format(time.time() - start_time))print('Optimization Finished!')

由于此数据集有测试集，不同于上面两篇文章中自己生成的数据，因此需要用测试集来测试模型的准确率

    # 测试模型，也需要放到session里面来运行。preds = tf.nn.softmax(logits)   #通过softmax()来计算每个样本类别的概率值correct_preds = tf.equal(tf.argmax(preds, 1), tf.argmax(Y, 1))   #此处得出的是一个一阶张量，由一串0，1数字组成，表示的是每个样本是否预测预测准确accuracy = tf.reduce_sum(tf.cast(correct_preds, tf.float32))  #对预测是否准确的列表求平均值 ，cast()函数是将整型数据转化为浮点型数据   n_batches = int(mnist.test.num_examples/batch_size) #输入数据的批次total_correct_preds = 0#对测试集每个batch求accuracyfor i in range(n_batches):X_batch, Y_batch = mnist.test.next_batch(batch_size)    #此处是从测试集中按批次的输入数据accuracy_batch = sess.run([accuracy], feed_dict={X: X_batch, Y:Y_batch}) total_correct_preds += accuracy_batch[0]#对每个batch求平均值print('Accuracy {0}'.format(total_correct_preds/mnist.test.num_examples))writer.close()

3.总代码

# -*- coding: utf-8 -*-
'''
A logistic regression learning algorithm example using TensorFlow library.
This example is using the MNIST database of handwritten digits
(http://yann.lecun.com/exdb/mnist/)Author: Aymeric Damien
Project: https://github.com/aymericdamien/TensorFlow-Examples/
'''from __future__ import print_functionimport tensorflow as tf# Import MNIST data(下载数据)
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("/tmp/data/", one_hot=True)# 参数：学习率，训练次数，
learning_rate = 0.01
training_epochs = 25
batch_size = 100
display_step = 1# tf Graph Input
x = tf.placeholder(tf.float32, [None, 784]) # mnist data image of shape 28*28=784
y = tf.placeholder(tf.float32, [None, 10]) # 0-9 digits recognition => 10 classes# Set model weights
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))# softmax模型
pred = tf.nn.softmax(tf.matmul(x, W) + b) # Softmax# Minimize error using cross entropy（损失函数用cross entropy）
cost = tf.reduce_mean(-tf.reduce_sum(y*tf.log(pred), reduction_indices=1))
# Gradient Descent（梯度下降优化）
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)# Initializing the variables
init = tf.global_variables_initializer()# Launch the graph
with tf.Session() as sess:sess.run(init)# Training cyclefor epoch in range(training_epochs):avg_cost = 0.total_batch = int(mnist.train.num_examples/batch_size)# Loop over all batchesfor i in range(total_batch):batch_xs, batch_ys = mnist.train.next_batch(batch_size)# Run optimization op (backprop) and cost op (to get loss value)_, c = sess.run([optimizer, cost], feed_dict={x: batch_xs,y: batch_ys})# Compute average lossavg_cost += c / total_batch# Display logs per epoch stepif (epoch+1) % display_step == 0:print("Epoch:", '%04d' % (epoch+1), "cost=", "{:.9f}".format(avg_cost))print("Optimization Finished!")# Test modelcorrect_prediction = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))# Calculate accuracyaccuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))print("Accuracy:", accuracy.eval({x: mnist.test.images, y: mnist.test.labels}))

4.输出结果

5.可视化

使用tensorBoard方法在这片文章中
https://blog.csdn.net/weixin_43838785/article/details/104433504

Scalars

2.00k次左右已经稳定

Graphs

Tensorflow【实战Google深度学习框架】—Logistic regression逻辑回归模型实例讲解相关推荐

免费教材丨第55期：Python机器学习实践指南、Tensorflow 实战Google深度学习框架
小编说时间过的好快啊,小伙伴们是不是都快进入寒假啦?但是学习可不要落下哦! 本期教材本期为大家发放的教材为:<Python机器学习实践指南>.<Tensorflow 实战G ...
《Tensorflow 实战google深度学习框架》第二版源代码
<<Tensorflow 实战google深度学习框架–第二版>> 完整资料github地址: https://github.com/caicloud/tensorflow-t ...
06.图像识别与卷积神经网络------《Tensorflow实战Google深度学习框架》笔记
一.图像识别问题简介及经典数据集图像识别问题希望借助计算机程序来处理.分析和理解图片中的内容,使得计算机可以从图片中自动识别各种不同模式的目标和对象.图像识别问题作为人工智能的一个重要领域,在最近几 ...
学习《TensorFlow实战Google深度学习框架 (第2版) 》中文PDF和代码
TensorFlow是谷歌2015年开源的主流深度学习框架,目前已得到广泛应用.<TensorFlow:实战Google深度学习框架(第2版)>为TensorFlow入门参考书,帮助快速. ...
说说TensorFlow实战Google深度学习框架
说说TensorFlow实战Google深度学习框架事情是这样的,博主买了这本书,但是碍于想在电脑上边看边码,想找找PDF版本,然后各种百度,Google,百度网盘,最后找到的都是很多200M的,百 ...
（转）Tensorflow 实战Google深度学习框架读书笔记
本文大致脉络: 读书笔记的自我说明对读书笔记的摘要具体章节的摘要: 第一章深度学习简介第二章 TensorFlow环境搭建第三章 TensorFlow入门第四章深层神经网络第五章 MN ...
TensorFlow实战Google深度学习框架
TensorFlow是谷歌2015年开源的主流深度学习框架.科技届的聚光灯已经从"互联网+"转到了"AI+": 掌握深度学习需要较强的理论功底,用好Tensor ...
TensorFlow实战Google深度学习框架5-7章学习笔记
目录第5章 MNIST数字识别问题第6章图像识别与卷积神经网络第7章图像数据处理第5章 MNIST数字识别问题 MNIST是一个非常有名的手写体数字识别数据集,在很多资料中,这个数据集都会 ...
tensorflow实战google深度学习框架在线阅读
https://max.book118.com/html/2019/0317/7112141026002014.shtm

Tensorflow【实战Google深度学习框架】—Logistic regression逻辑回归模型实例讲解