TensorFlow实现Logistic回归

　　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els[: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脚本之家。