转自：https://blog.csdn.net/weixin_38859557/article/details/80795476
#-*- coding:utf-8 _*-
"""
@author:bluesli
@file: logistic_regression.py
@time: 2018/06/23
"""
'''
逻辑回归是基于数字字符逻辑的,所以英文字母是logistic,而不是logic
'''
'''
1:通过input_data 获取数据
2:分别获取对应的训练样本(784个像素点)练标签,测试样本,测试标签
3:训练标签(train_label)shape中的10是通过0,1编码的,即数字0-9,如果是对应数据就显示1,不是就是0;通过train_label[0]看他的形式
4:初始化x,y变量(placeholder(float,[None,784])None表示无穷的意思,(不知道有多少样本就用他表示)
5"初始化:w,b (tf.zeros[784,10]分类个数是10,零值初始化,也可以高斯初始化;b:tf.zeros[10]
6:tf.nn.softmax(tf.matmul(x,w)+b) softmax传入的是一个分值; 这是模型,要做数据归一化;
7:定义损失函数loss:log(b)正确类别的概率值; cost:tf.reduce_mean(-tf.reduce_sum(y*tf.log(actv),reduction_indices=1))
8:定义优化器
9:最小化损失函数
10:通过模型进行预测:tf.equal(tf.argmax(actv,1),tf.argmax(y,1)),对比预测值最大值,和label(真实)看一下是不是对的;
11:accr:(精度)tf.reduce(pre,'float') 转化成浮点型,然后加起来求均值,就可以知道预测的精度了;
12:
'''
#argmax函数:
#tf.rank(array).输出矩阵的维数
#tensorflow要想输出需要在后面加上eval()
#shape返回矩阵是几行几列的;
#tf.argmax(arr,0)eval()返回当前数组每一列最大值的索引(从零开始的)
#tf.argmx(arr,1).eval()返回当前数组每一行最大值的索引
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
import matplotlib.pyplot as plt
#获取各个种类数据
mnist = input_data.read_data_sets('data/',one_hot=True)
train_img = mnist.train.images #记录的是每一个特征值的大小(可以理解为得分) 也可以这样理解:相当于计算成绩时,有语文,数学,英语等科目,然后下面有对应的分数,然后乘以相应的权重值也就得到了总分数;
train_label = mnist.train.labels
test_img = mnist.test.images
test_label = mnist.test.labels
print(train_label[0])
print(len(train_img[0]))
#定义变量
x = tf.placeholder(tf.float32,[None,784])
y = tf.placeholder(tf.float32,[None,10])
w = tf.Variable(tf.zeros([784,10])) #也可以用高斯分布进行初始化,需要有784个权重值,做的是10分类的任务,所有10就可以了,
b = tf.Variable(tf.zeros([10]))
#定义模型:
actv = tf.nn.softmax(tf.matmul(x,w)+b) #逻辑回归解决的是一个二分类的问题,所以要将逻辑回归升级成多分类的任务;,softmax(多分类任务)
#softmax的输入实际上是一个得分值:#记录的是每一个特征值的大小(可以理解为得分) 也可以这样理解:相当于计算成绩时,有语文,数学,英语等科目,然后下面有对应的分数,然后乘以相应的权重值也就得到了总分数;
#x*w得到的是10个分值,也就是对应0,1,2,3...9所占的分数;
cost = tf.reduce_mean(-tf.reduce_sum(y*tf.log(actv),reduction_indices=1))
#逻辑回归函数损失值是-log(p)类型的;p是什么呢,模型得到10个值,然后做归一化操作,然后得到0-9的概率值;没有理解需要详细深入理解逻辑回归问题;
#y*log得到的是真实类别的那个概率值,由于每一个样本对应的label中是这样的,[0. 0. 0. 0. 0. 0. 0. 1. 0. 0.],相乘就只有属于那个分类的值了,
#reduce_mean 平均值;
optimizer = tf.train.GradientDescentOptimizer(0.3)
train = optimizer.minimize(cost)
#定义predict，arg_max（1）找到每一行的最大值返回他的下标；
# a = tf.arg_max(actv,1)
pred = tf.equal(tf.arg_max(actv,1),tf.arg_max(y,1))
accr = tf.reduce_mean(tf.cast(pred,'float'))
#变量初始化
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init_op)
train_epochs = 6
batch_size = 1000
train_step = 2
avg_cost = 0
for epoch in range(train_epochs):
num_batch = int(mnist.train.num_examples/batch_size)+1
batch_example,batch_label = mnist.train.next_batch(batch_size)
# plt.scatter(batch_example,batch_label,c='r')
# plt.show()
print(batch_label.shape,batch_example.shape)
for i in range(num_batch):
feed_seed = {x:batch_example,y:batch_label}
sess.run(train,feed_dict=feed_seed)
print('w=',sess.run(w,feed_seed),'b=',sess.run(b,feed_dict=feed_seed),'loss=',sess.run(cost,feed_dict=feed_seed))
avg_cost += sess.run(cost,feed_dict=feed_seed)
avg_cost = avg_cost/num_batch
if train_epochs % train_step ==0:
# feed_seed2 = {x: batch_example, y: batch_label}
# print(sess.run(cost,feed_dict=feed_seed2))
# print('------------')
# print(sess.run(w,feed_dict=feed_seed),sess.run(b,feed_seed2))
# print('--------------')
# print(cost)
# print(cost/num_batch)
feed_train = {x:batch_example,y:batch_label}
feed_test = {x:test_img,y:test_label}
print('train accr:%f'%sess.run(accr,feed_dict=feed_train))
print('test accr:%f'%sess.run(accr,feed_dict=feed_test))
print('avg_cost:%f'%avg_cost)
# print(sess.run(a,feed_dict=feed_train))
