扣丁学堂Python开发学习如何使用tensorflow实现逻辑回归算法
今天扣丁学堂Python培训老师给大家介绍一下关于如何使用tensorflow实现一个简单的逻辑回归算法的例子,首先简单介绍一下逻辑回归可以看作只有一层网络的前向神经网络,并且参数连接的权重只是一个值,而非矩阵。公式为:y_predict=logistic(X*W+b),其中X为输入,W为输入与隐含层之间的权重,b为隐含层神经元的偏置,而logistic为激活函数,一般为sigmoid或者tanh,y_predict为最终预测结果。
逻辑回归是一种分类器模型,需要木便函数不断的优化参数,这里目标函数为y_predict与真实标签Y之间的L2距离,使用随机梯度下降算法来更新权重和偏置。
下面是tensorflow实现简单逻辑回归的示例代码:
#-*-coding:utf-8-*-
#功能:使用tensorflow实现一个简单的逻辑回归
importtensorflowastf
importnumpyasnp
importmatplotlib.pyplotasplt
#创建占位符
X=tf.placeholder(tf.float32)
Y=tf.placeholder(tf.float32)
#创建变量
#tf.random_normal([1])返回一个符合正太分布的随机数
w=tf.Variable(tf.random_normal([1],name='weight'))
b=tf.Variable(tf.random_normal([1],name='bias'))
y_predict=tf.sigmoid(tf.add(tf.mul(X,w),b))
num_samples=400
cost=tf.reduce_sum(tf.pow(y_predict-Y,2.0))/num_samples
#学习率
lr=0.01
optimizer=tf.train.AdamOptimizer.minimize(cost)
#创建session并初始化所有变量
num_epoch=500
cost_accum=
cost_prev=0
#np.linspace创建agiel等差数组,元素个素为num_samples
xs=np.linspace(-5,5,num_samples)
ys=np.sin(xs)+np.random.normal(0,0.01,num_samples)
withtf.Sessionassess:
#初始化所有变量
sess.run(tf.initialize_all_variables)
#开始训练
forepochinrange(num_epoch):
forx,yinzip(xs,ys):
sess.run(optimizer,feed_dict={X:x,Y:y})
train_cost=sess.run(cost,feed_dict={X:x,Y:y})
cost_accum.append(train_cost)
print"train_costis:",str(train_cost)
#当误差小于10-6时终止训练
ifnp.abs(cost_prev-train_cost)<1e-6:
break
#保存最终的误差
cost_prev=train_cost
#画图画出每一轮训练所有样本之后的误差
plt.plot(range(len(cost_accum)),cost_accum,'r')
plt.title('LogicRegressionCostCurve')
plt.xlabel('epoch')
plt.ylabel('cost')
plt.show
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扣丁学堂。
查看原文 >>