TensorFlow中怎么實現一個多元線性回歸分類器

本篇文章為大家展示了TensorFlow中怎么實現一個多元線性回歸分類器，內容簡明扼要并且容易理解，絕對能使你眼前一亮，通過這篇文章的詳細介紹希望你能有所收獲。

# 導入需要的模塊

# - * - coding: utf-8 - * -
import tensorflow as tf
import numpy as np
import pandas as pd
from sklearn import datasets
import os

# 這個函數是為了利用sklearn獲取iris數據，然后保存到本地后面用。

def make_iris():
    iris = datasets.load_iris()
    x = pd.DataFrame(iris.data)
    y = pd.DataFrame(iris.target).values
    y_onehot = tf.one_hot(y, 3)
    sess = tf.InteractiveSession()
    y_onehot_value = sess.run(y_onehot).reshape((150, 3))
    y_onehot_value = pd.DataFrame(y_onehot_value)
    x.to_csv("iris_x.csv", sep=',', header=None, index=None)
    y_onehot_value.to_csv("iris_y.csv", sep=',', header=None, index=None)
    

# 定義模型，這里要分清楚，in_size,out_size分別代表什么的大小，比如對于iris數據集，有4個自變量，1個因變量，但是我們把label經過one_hot編碼之后，label就變成了3維。所以這里In_size就是訓練數據的維度，也就是變量的個數。而out_size是輸出的維度，就是因變量的維度，所以是3.

一般對于多元線性回歸模型，可以寫成矩陣的形式就是，Y=WX+b，這里W是4x3的，x是150x4的，b是150x3的，所以Y的維度就是（150x4）x（4x3）+（150x3）=150x3（屬于某個類別的概率），模型最后輸出是softmax多分類函數，所以最后每個樣本都會有一個屬于不同類別的概率值。

def model(inputs, in_size, out_size):
    Weights = tf.Variable(tf.random_normal([in_size, out_size]))
    biases = tf.Variable(tf.zeros([1, out_size]))
    outputs = tf.nn.softmax(tf.matmul(inputs, Weights) + biases)
    return outputs
    
   

# 定義模型訓練函數
def train():
    # 首先是讀取數據，用上面那個函數保存的數據，
    # 把訓練數據讀進來，因為pandas讀取的是
    # DataFrame對象，通過values屬性轉換為numpy.ndarry類型。
    x_data = pd.read_csv("iris_x.csv", header=None).values
    y_data = pd.read_csv("iris_y.csv", header=None).values
    # 接下來是把數據分為訓練集和測試集。
    train_x = x_data[0:120, :]
    train_y = y_data[0:120, :]

    test_x = x_data[120:151, :]
    test_y = y_data[120:151, :]

    print train_x.shape
    print test_x.shape
    print train_y.shape
    print test_y.shape
    #定義placeholder，這也可以不定義，后面就不
    # 用顯示的feed了，直接run優化目標就行。這
    # 里還是要注意holder的維度代表的含義，別稀里糊涂的。
    x_data_holder = tf.placeholder(tf.float32, [None, 4])
    y_data_holder = tf.placeholder(tf.float32, [None, 3])
    # 調用模型，輸出預測結果
    y_prediction = model(x_data_holder, 4, 3)
    #定義交叉熵損失函數
    cross_entropy = tf.reduce_mean(
        -tf.reduce_sum(y_data_holder *
                       tf.log(y_prediction), reduction_indices=[1]))
    # 用梯度下降法求解，使得損失函數最小。
    train_step = tf.train.GradientDescentOptimizer(0.1)\
        .minimize(cross_entropy)
    # 啟動session。
    with tf.Session() as sess:
        init = tf.global_variables_initializer()
        sess.run(init)
        epoch = 2000
        for e in range(epoch):
            sess.run(train_step,
                     feed_dict={x_data_holder: train_x,
                            y_data_holder: train_y})
            # 每隔50次，計算一下損失，注意這里的損失是訓
            # 練數據的損失，而且這個損失是單步的損失，
            # 不是全部數據的損失。
            if e % 50 == 0:
                train_loss = sess.run(cross_entropy,
                        feed_dict={x_data_holder: train_x,
                               y_data_holder: train_y})

                y_pre = sess.run(y_prediction,
                    feed_dict={x_data_holder: test_x})
                correct_prediction = tf.equal(tf.argmax(y_pre, 1),
                           tf.argmax(test_y, 1))
            # eval函數可以將tensor類型轉換為具體的值，也可以不運行。
                # print correct_prediction.eval(session=sess)
                accuracy = tf.reduce_mean(tf.cast(correct_prediction,
                                      tf.float32))
            # 最后用測試數據，計算一下測試數據的預測精度。
                test_acc = sess.run(accuracy,
                         feed_dict={x_data_holder: test_x,
                             y_data_holder: test_y})
                print "acc: {}; loss: {}".format(test_acc, train_loss)
      # 要計算全部數據的損失，需要在最后再run一下損失。
        training_cost = sess.run(cross_entropy,
                    feed_dict={x_data_holder: train_x,
                              y_data_holder: train_y})
        print "Training cost={}".format(training_cost)

if __name__ == "__main__":
    train()

上述內容就是TensorFlow中怎么實現一個多元線性回歸分類器，你們學到知識或技能了嗎？如果還想學到更多技能或者豐富自己的知識儲備，歡迎關注億速云行業資訊頻道。