tensorflow深度学习之逻辑回归算法（一）手写底层实现

最新推荐文章于 2024-04-03 18:34:38 发布

繁华三千东流水

最新推荐文章于 2024-04-03 18:34:38 发布

阅读量428

点赞数

分类专栏： tensorflow下的深度学习算法思想及实现文章标签：深度学习 tensorflow 逻辑回归

本文链接：https://blog.csdn.net/qq872890060/article/details/100183331

版权

本文介绍了使用TensorFlow实现逻辑回归的详细过程，包括框架基础、数据展示、线性模型、sigmoid激活函数、代价函数和梯度下降法。内容涵盖了从计算定义到会话执行的完整步骤。

摘要由CSDN通过智能技术生成

tensorflow框架和逻辑回归算法

tensorflow三部曲
定义计算
开启会话
执行计算

线性回归数学实现
线性模型：z = x * w + b
将线性模型的值转换成概率：a = sigmoid(z)
代价函数（交叉熵代价函数）：cost = - 求平均（求和（真实概率*log(预测概率)））
参数更新量（梯度下降）：
dw = 对代价函数求w的偏导
db = 对代价函数求b的偏导

数据展示如下

数据为二分类样本，特征全部已经特征缩放，最后一列为类别
在这里插入图片描述

代码实现

import tensorflow as tf
import numpy as np
from matplotlib import pyplot as plt
# 画图设置中文字体和负号正常显示
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 设置框架随机种子，保证数据每次运行结果一致
tf.set_random_seed(1)

# 读取数据
data = np.loadtxt(r'data-03-diabetes.csv',delimiter=',',dtype=np.float32)

# 提取数据
x = data[:,: