从零开始使用TensorFlow建立简单的逻辑回归模型

TensorFlow 是一个基于 python 的机械进修框架。在 Coursera 上进修了逻辑回归的课程内容后，想把在 MATLAB 中实现了的内容用 TensorFlow 从新实现一遍，当做进修 Python 和框架的敲门砖。

目标读者

知道逻辑回归是什么，懂一点 Python，据说过 TensorFlow

数据集

来自 Coursera 上 Andrew 的机械进修课程中的ex2data1.txt，根据学生的两次测验成就断定钙揭捉?生是否会被登科。

情况

Python 2.7 - 3.x

pandas, matplotlib, numpy

安装 TensorFlow

在本身的电脑上安装 TensorFlow 框架，安装办法过程不赘述，CPU 版相对更轻易一点，GPU 版须要 CUDA 支撑，各位看官看情况安装就好。

开端

创建一个文件夹（比如就叫做tensorflow），在文件夹中创建一个 Python 文件main.py，并将数据集文件放到这个文件夹下：

数据情势:

前两列分别为两次测验成就（x1, x2），最后一列为是否被登科（y），1代表被登科，0则反之。

在源文件main.py中，我们起首惹人须要的包：

接着我们将数据集文件读入法度榜样，用于后面的练习：

pandas函数read_csv可以将 csv（comma-separated values）文件中的数据读入df变量，经由过程df.values将 DataFrame 转化为二维数组：

W 和 b 是我们接下来的进修目标，W 为权值矩阵（Weights），b 为偏置量（Bias，表如今图像上又叫截距）。

有了数据之后，我们须要将特点（x1, x2）和标签（y）分别放到两个变量中，以便在练习中代入公式：

# 分别特点和标签，并获取数据维数train_X = train_data[:, :-1]train_y = train_data[:, -1:]feature_num = len(train_X[0])sample_num = len(train_X)print("Size of train_X: {}x{}".format(sample_num, feature_num))print("Size of train_y: {}x{}".format(len(train_y), len(train_y[0])))

import pandas as pd                # 用于攫取数据文件import tensorflow as tfimport matplotlib.pyplot as plt    # 用于画图import numpy as np                 # 用于后续计算

可以看到，我们的数据集中有100条样例，每条样例的特点数量为2。

TensorFlow 模型设计

在逻辑回归中，我们应用的猜测函数（Hypothesis）为：

hθ(x)=sigmoid(XW+b)

个中，sigmoid是一个激活函数，在这里表示学生被登科的概率：

P(y=1|x,θ)

这个函数的外形请自行百度

我们应用的损掉函数为：

J(θ)=−1m[∑i=1my(i)log(hθ(x(i)))+(1−y(i))log(1−hθ(x(i)))]

因为我们的数据集只有两个特点，是以不消担心过拟合，所以损掉函数里的┞俘规化项就不要了😌。

起首我们用 TensorFlow 定义两个变量用来存放我们的练习用数据：

# 数据集X = tf.placeholder(tf.float32)y = tf.placeholder(tf.float32)

这里的X和y不是一般的变量，而是一个 placeholder(占位符)，意味着这两个变量的值是未指定的，直到你开端练习模型时才须要将给定的数据赋值给变量。

接着我们再定义出我们要练习的 W 和 b：

# 练习目标W = tf.Variable(tf.zeros([feature_num, 1]))b = tf.Variable([-.9])

接下来我们要用 TensorFlow 的方法将损掉函数表达出来：

db = tf.matmul(X, tf.reshape(W, [-1, 1])) + bhyp = tf.sigmoid(db)cost0 = y * tf.log(hyp)cost1 = (1 - y) * tf.log(1 - hyp)cost = (cost0 + cost1) / -sample_numloss = tf.reduce_sum(cost)

可以看到，我表达损掉函数是分三步进行的：先分别将乞降内的两部分表示出来，再将它们加和并和外面的常数m进交运算，最后对这个向量进行乞降，便获得了损掉函数的值。

接下来，我们要定义应用的优化办法：

个中，第一步是拔取优化器，这里我们选择梯度降低办法；第二步是优化目标，大年夜函数名字顾名思义，我们的优化目标是使得损掉函数的值最小化。

留意：此处的进修率（0.001）应当尽可能小，不然可能会出现损掉计算中出现 log(0)的问题。

练习

膳绫擎的工作做完之后，我们就可以开端练习我们的模型了。

在 TensorFlow 中，起重要将之前定义的Variable初始化：

init = tf.global_variables_initializer()sess = tf.Session()sess.run(init)

在这里，我们看到出现了一个tf.Session()，顾名思义是会话，即义务履行的主体。我们膳绫擎定义了一堆器械，只是一个模型为了获得结不雅而须要的履行步调和框架，一个类似流程图的器械，光有流程图还不敷，我们须要一个主体来实际地运行它，这就是Session的感化。

1/3 1 2 3 下一页尾页

　　推荐阅读

　　图说Java —— 理解Java机制最受欢迎的8幅图

欲望本文能帮你回想你已经知道的那些常识。如不雅图片讲解的不敷清楚,你可能须要浏览具体的文┞仿或者进行搜刮。1. String对象弗成改变的特点(详情请点击膳绫擎的标题查看)String s = "ab>>>详细阅读

本文标题：从零开始使用TensorFlow建立简单的逻辑回归模型

地址：http://www.17bianji.com/lsqh/35964.html

1/2 1