03.TensorFlow逻辑回归

实验原理：

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。

注意数据集由于时间原因会有变换，要及时更新

实现代码：

import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()
from tensorflow.examples.tutorials.mnist import input_data
# 数据导入
mnist=input_data.read_data_sets("MNIST_data",one_hot=True)
import os
os.environ["CUDA_VISIBLE_DEVICES"]="0"

#训练参数
#Parameters  
learning_rate=0.01
training_epochs=25
batch_size=100
display_step=1

#构造计算图
x=tf.placeholder(tf.float32,[None,784])
y=tf.placeholder(tf.float32,[None,10])

#使用Variable函数，设置模型的初始权重
W=tf.Variable(tf.zeros([784,10]))
b=tf.Variable(tf.zeros([10]))

#逻辑回归模型
pred=tf.nn.softmax(tf.matmul(x,W)+b)

#构造代价函数cost
cost=tf.reduce_mean(-tf.reduce_sum(y*tf.log(pred),reduction_indices=1))

#梯度下降法求最小值，即最优解
optimizer=tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)

#初始化变量
init=tf.global_variables_initializer()


with tf.Session() as sess:
    sess.run(init)

    for epoch in range(training_epochs):
        avg_cost = 0
        total_batch = int(mnist.train.num_examples / batch_size)
        #loop over all batches  
        for i in range(total_batch):
            batch_xs, batch_ys = mnist.train.next_batch(batch_size)
            # Fit training using batch data  
            _, c = sess.run([optimizer, cost], feed_dict={x: batch_xs, y: batch_ys})
            avg_cost +=c / total_batch

        if(epoch + 1)%display_step == 0:
            print("Epoch:", '%04d'% (epoch + 1), "Cost:", "{:.09f}".format(avg_cost))
    print("Optimization Finished!")

    correct_prediction=tf.equal(tf.argmax(pred,1),tf.argmax(y,1))

    #  Calculate accuracy for 3000 examples  
    accuracy =tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
    print("Accuracy:", accuracy.eval({x: mnist.test.images[:3000], y: mnist.test.labels[:3000]}))

运行结果：