Tensorflow实现softmax回归
来源:互联网 发布:mac iphone 铃声 编辑:程序博客网 时间:2024/05/01 19:49
1.概述
Logistic回归只能解决二分类问题,而在实际生活中的问题一般是多分类问题。如:mnist手写数字,需要分类10类数字?而softmax就是解决多分类问题。
softmax的理论请查看:
斯坦福大学的中文介绍文档
2.代码实现
首先要导入mnist数据,地址是:
https://github.com/tensorflow/tensorflow/blob/master/tensorflow/examples/tutorials/mnist/input_data.py
训练数据:60000*784,训练标签:60000*10
测试数据:10000*784,测试标签:10000*10
#导入mnist数据import input_dataimport tensorflow as tf#读取数据mnist = input_data.read_data_sets("Mnist_data/", one_hot=True)## 进入一个交互式 TensorFlow 会话.sess = tf.InteractiveSession()# 创建一个model#通过操作符号变量来描述这些可交互的操作单元#x不是一个特定的值,而是一个占位符placeholder #这里的None表示此张量的第一个维度可以是任何长度的x = tf.placeholder(tf.float32, [None, 784])#一个Variable代表一个可修改的张量,存在在TensorFlow的用于描述 交互性操作的图中。#用全为零的张量来初始化W和b。因为我们要学习W和b的值,它们的初值可以随意设置。#W的维度是[784X10],用784维的图片向量乘以它以得到一个10维的证据值向量W = tf.Variable(tf.zeros([784, 10]))#b的形状是[10],所以我们可以直接把它加到输出上面b = tf.Variable(tf.zeros([10]))#实现模型y=x*W+by = tf.nn.softmax(tf.matmul(x, W) + b)#训练模型# Define loss and optimizer#添加一个新的占位符用于输入正确值y_ = tf.placeholder(tf.float32, [None, 10])#交叉熵:交叉熵是用来衡量我们的预测用于描述真相的低效性#y是我们预测的概率分布, y_是实际的分布(我们输入的一维向量)cross_entropy = -tf.reduce_sum(y_ * tf.log(y))#TensorFlow用梯度下降算法(gradient descent algorithm)以0.01的学习速率最小化交叉熵train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)# Train#初始化变量tf.initialize_all_variables().run()#让模型循环训练1000次for i in range(1000): batch_xs, batch_ys = mnist.train.next_batch(100) train_step.run({x: batch_xs, y_: batch_ys})# Test trained model#tf.argmax 是一个非常有用的函数,它能给你在一个张量里沿着某条轴的最高条目的索引值。#tf.argmax(y,1) 是模型认为每个输入最有可能对应的那些标签,#而tf.argmax(y_,1) 代表正确的标签。 #用tf.equal 来检测我们的预测是否真实标签匹配。correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))#布尔值转换成浮点数,然后取平均值accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))print(accuracy.eval({x: mnist.test.images, y_: mnist.test.labels}))
tensorflow的函数使用建立模型还是很方便的,本文关于tensorflow的代码都亲测无误,笔者用这些模型处理脑电数据,因为数据的保密性,文中数据都是公有数据,有兴趣的交流。
0 0
- Tensorflow实现softmax回归
- 基于TensorFLow实现MNIST和softmax回归
- TensorFlow上实现Softmax回归模型
- [03]tensorflow实现softmax回归(softmax regression)
- Logistic回归、softmax回归以及tensorflow实现MNIST识别
- TensorFlow简要教程系列(四)TensorFlow实现Softmax回归
- 3、TensorFlow实现Softmax回归识别手写数字
- tensorflow实现线下回归、softmax回归、bp神经网络
- tensorflow -入门-01-softmax回归
- tensorflow实现softmax回归(softmax regression)——简单的MNIST识别(第一课)
- Softmax回归C++实现
- TensorFlow实现Softmax
- tensorflow-softmax回归及交叉熵函数
- TensorFlow训练softmax回归(带tensorboard)
- TensorFlow学习笔记(3)--实现Softmax逻辑回归识别手写数字(MNIST数据集)
- 学习笔记TF024:TensorFlow实现Softmax Regression(回归)识别手写数字
- Tensorflow实战学习(二十四)【实现Softmax Regression(回归)识别手写数字】
- 使用Softmax回归实现MNIST
- 顺序表的动态存储细节
- 头戴式眼动仪求解映射方法
- 二维数组地址的计算
- java socket通信 从客户端传数字到服务器动态显示
- React Native之ViewPagerAndroid 组件
- Tensorflow实现softmax回归
- memcache在ThinkPHP中的使用1---PHP下安装memcache
- struts的DevMode模式
- hbase架构与原理
- java面向对象梳理一
- 11 :外网如何访问 docker 容器内的服务?
- Python学习记录(计算机基础操作)
- 第十五周 项目1--验证算法--(1)哈希表
- Meeting