10分钟搞懂Tensorflow 逻辑回归实现手写识别

1.1. 逻辑回归原理

1.1.1. 逻辑回归

在现实生活中，我们遇到的数据大多数都是非线性的，因此我们不能用上一章线性回归的方法来进行数据拟合。但是我们仍然可以从线性模型着手开始第一步，首先对输入的数据进行加权求和。

线性模型：z=wx+bz=wx+b

其中w我们称为“权重”，b为偏置量（bias），xx为输入的样本数据，三者均为向量的形式。
我们先在二分类中来讨论，假如能创建一个模型，如果系统输出1，我们认为是第一类，如果系统输出0，我们认为是第二类，这种输出需求有点像阶跃函数（海维塞德阶跃函数），但是阶跃函数是间断函数，y的取值在x=0处突然跳跃到1，在实际的建模中，我们很难在模型中处理这种情况，所以我们使用Sigmoid函数来代替阶跃函数。

Sigmoid函数是激活函数其中的一种，当x=0时，函数值为0.5，随着x的增大，对应的Sigmoid值趋近1，而随着x的减小，Sigmoid值趋近0。通过这个函数，我们可以得到一系列0—1之间的数值，接着我们就可以把大于0.5的数据分为1类，把小于0.5的数据分为0类。

这种方式等价于是一种概率估计，我们把y看作服从伯努利分布，在给定x条件下，求解每个yi为1或0的概率。此时，逻辑回归这个抽象的名词，在这里我们把它转化成了能够让人容易理解的概率问题。接着通过最大对数似然函数估计w值，就解决问题了。
yi等于1的概率为：

yi等于0的概率为：

以上对Sigmoid函数描述可以看出该函数多用于二分类，而我们会经常遇到多分类问题，这时，Softmax函数的就派上用场了。

Softmax函数：
Softmax函数也是激活函数的一种，主要用于多分类，把输入的线性模型当成幂指数求值，最后把输出值归一化为概率，通过概率来把对象分类，而每个对象之间是不相关的，所有的对象的概率之和为1。托福培训对于Softmax函数，如果j=2的话，Softmax和Sigmoid是一样的，同样解决的是二分类问题，这时用两种函数都能进行很好的二分类。

以上公式可以理解为，样本为类别ii的概率。即：

对于Softmax回归模型的解释，在这里引用一下别人的图，一张图片就胜过千言万语。

如果写成多项式，可以是这样：

如果换成我们常用的矩阵的形式，可以是这样：

1.1.2. 损失函数

在线性回归中，我们定义了一个由和方差组成的损失函数，并使该函数最小化来找到θ的最优解。同样的，在逻辑回归中我们也需要定义一个函数，通过最小化这个函数来解得我们的权重w值和偏差b值。在机器学习中，这种函数可以看做是表示一个模型的好坏的指标，这种指标可以叫做成本函数（Cost）或损失函数（Loss），然后最小化这两种函数，这两种方式都是一样的。

这里介绍一个常见的损失函数——“交叉熵”，在后面的实例代码中我们会用到。雅思培训交叉熵产生于信息论里面的信息压缩编码技术，后来慢慢演变成从博弈论到机器学习等其他领域的重要技术，它用来衡量我们的预测用于描述真相的低效性。它的定义如下：

它是怎么推导出来的呢，我们先来讨论一下Sigmoid的损失函数，接着再来对比理解。在上面的二分类中问题中，我们使用Sigmoid函数，同时我们也假定预测值yi服从伯努利分布，则yi等于1的概率为：

yi等于0的概率为：

则概率密度函数为：

上式中的ylabel是样本为类别1的实际概率。接着我们取对数似然函数，然后最小化似然函数进行参数估计（这里省略似然函数和一系列文字）。
而我们把问题泛化为多分类时，同样可以得出我们的概率密度函数：

我们对概率密度取自然对数的负数，就得到了我们的似然函数，即我们这里称为交叉熵的函数，其中yi是样本为类别i的预测概率mylabel是样本为类别i的实际概率。

最后，通过最小化该交叉熵，找出最优的w和b值。

1.2. 实例：手写识别系统

了解了逻辑回归的工作原理以后，现在我们用tensorflow来实现一个手写识别系统。首先我们必须去挖掘一些数据，我们使用现成的MNIST数据集，它是机器学习入门级的数据集，它包含各种手写数字图片和每张图片对应的标签，即图片对应的数字（0~9）。你可以通过一段代码把它下载下来，在下载之前记得安装python-mnist：

下载下来的数据总共有60000行的训练数据集(mnist.train)，和10000行的测试数据集(mnist.test)，同时我们把图片设为x，x是一个shape=[None，784]的一个张量，None表示任意长度，比如它可以小于或等于mnist.train里面的60000张图片。另外，每一张图片包含28像素X28像素，向量长度为28*28=789，表示图片是由784维向量空间的点组成的。然后，我们把图片的标签设为y_张量,shape=[None,10]，这个y_的值就是图片原本对应的标签（0~9的数字）。

用代码来表示可以参考：

数据都准备好以后，就开始训练我们的模型了。之前我们讲了Softmax函数，用该函数来做逻辑回归，我们可以通过这样的代码来表示：

但是Tensorflow已经实现好了这个Softmax函数，即：tf.nn.softmax_cross_entropy_with_logits()，而无需我们自己这样定义（-tf.reduce_sum(y_ * tf.log(y))）。为什么使用Tensorflow的呢，是因为我们在使用该函数的时候，可能会出现数值不稳定的问题，需要自己在Softmax函数中加一些trick，这样做起来比较麻烦，又把模型复杂化了，所以我们推荐使用Tensorflow自带的交叉熵函数，它会帮你处理数值不稳定的问题。

-tf.reduce_sum(tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y))
逻辑回归确定好各项函数后，我们还是用梯度下降的方式去寻找那个最优的w和b值，最后，整个手写图片识别系统的代码如下：

这张图片的实际数字是: 3预测值为：
[[ 0. 0. 0. 1. 0. 0. 0. 0. 0. 0.]]
读者可以通过改变不同的图片来试试预测的结果，可以看出上面的预测情况还是很不错的。但是我们模型的性能到底如何，还是需要数据来说话，测试性能的代码如下：

这个结果真的不怎么样，不过我们可以通过采用其他算法和模型来改进我们的性能。