tensorflow实现简单逻辑回归_Python

tensorflow实现简单逻辑回归

2021-04-01 00:17WSS5678 Python

逻辑回归是一种分类器模型，这篇文章主要介绍了tensorflow实现简单逻辑回归，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

逻辑回归是机器学习中很简答的一个栗子，这篇文章就是要介绍如何使用tensorflow实现一个简单的逻辑回归算法。

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。废话不多说，贴代码：

									# -*- coding:utf-8 -*-

									#功能： 使用tensorflow实现一个简单的逻辑回归

									import tensorflow as tf

									import numpy as np

									import matplotlib.pyplot as plt

									#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)

									with tf.Session() as sess:

									  #初始化所有变量

									  sess.run(tf.initialize_all_variables())

									  #开始训练

									  for epoch in range(num_epoch):

									    for x,y in zip(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_cost is:",str(train_cost)

									    #当误差小于10-6时 终止训练

									    if np.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('Logic Regression Cost Curve')

									plt.xlabel('epoch')

									plt.ylabel('cost')

									plt.show()