邏輯回歸是機(jī)器學(xué)習(xí)中很簡(jiǎn)答的一個(gè)栗子，這篇文章就是要介紹如何使用tensorflow實(shí)現(xiàn)一個(gè)簡(jiǎn)單的邏輯回歸算法。

邏輯回歸可以看作只有一層網(wǎng)絡(luò)的前向神經(jīng)網(wǎng)絡(luò)，并且參數(shù)連接的權(quán)重只是一個(gè)值，而非矩陣。公式為：y_predict=logistic(X*W+b),其中X為輸入，W為輸入與隱含層之間的權(quán)重，b為隱含層神經(jīng)元的偏置，而logistic為激活函數(shù)，一般為sigmoid或者tanh, y_predict為最終預(yù)測(cè)結(jié)果。

邏輯回歸是一種分類器模型，需要木便函數(shù)不斷的優(yōu)化參數(shù)，這里目標(biāo)函數(shù)為y_predict與真實(shí)標(biāo)簽Y之間的L2距離，使用隨機(jī)梯度下降算法來更新權(quán)重和偏置。 廢話不多說，貼代碼：

# -*- coding:utf-8 -*-#功能： 使用tensorflow實(shí)現(xiàn)一個(gè)簡(jiǎn)單的邏輯回歸import tensorflow as tfimport numpy as npimport matplotlib.pyplot as plt #創(chuàng)建占位符X=tf.placeholder(tf.float32)Y=tf.placeholder(tf.float32) #創(chuàng)建變量#tf.random_normal([1])返回一個(gè)符合正太分布的隨機(jī)數(shù)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=400cost=tf.reduce_sum(tf.pow(y_predict-Y,2.0))/num_samples #學(xué)習(xí)率lr=0.01optimizer=tf.train.AdamOptimizer().minimize(cost) #創(chuàng)建session 并初始化所有變量num_epoch=500cost_accum=[]cost_prev=0#np.linspace（）創(chuàng)建agiel等差數(shù)組，元素個(gè)素為num_samplesxs=np.linspace(-5,5,num_samples)ys=np.sin(xs)+np.random.normal(0,0.01,num_samples) with tf.Session() as sess:  #初始化所有變量  sess.run(tf.initialize_all_variables())  #開始訓(xùn)練  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)     #當(dāng)誤差小于10-6時(shí) 終止訓(xùn)練    if np.abs(cost_prev-train_cost)<1e-6:      break    #保存最終的誤差    cost_prev=train_cost#畫圖 畫出每一輪訓(xùn)練所有樣本之后的誤差plt.plot(range(len(cost_accum)),cost_accum,'r')plt.title('Logic Regression Cost Curve')plt.xlabel('epoch')plt.ylabel('cost')plt.show()

以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持武林站長(zhǎng)站。