Softmax回归练习

最新推荐文章于 2023-10-13 15:01:57 发布

瑶子ove

最新推荐文章于 2023-10-13 15:01:57 发布

阅读量330

点赞数

本文链接：https://blog.csdn.net/weixin_40924580/article/details/82780504

版权

本文介绍了Softmax回归的实现步骤，包括算法公式、损失函数、优化器选择和准确率评估。通过具体流程展示了如何训练和测试模型。

摘要由CSDN通过智能技术生成

整个流程包括以下四部分：
1、定义算法公式，也就是神经网络的forward时的计算 y=softmax(W.TX +b)
2、定义损失函数（H(y)=-∑y_log(y)），并制定优化器(梯度下降)
3、迭代的对数据进行训练
4、在测试集或验证集上对准确率进行评测

import tensorflow as tf
#导入MNIST模块
from tensorflow.examples.tutorials.mnist import input_data
#读取MNIST数据
mnist = input_data.read_data_sets("G:/TensorFlow/MNIST_data/",one_hot=True)
# x 是一个占位符，代表待识别的图片/tensor
x = tf.placeholder(tf.float32,[None,784])
# w 是softmax模型的参数，将784维的输入转换为10维，模型的参数用tf.Variable表示
w = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
#y表示输出
y = tf.nn.softmax(tf.matmul(x,w) + b)
#y_表示实际标签
y_ = tf.placeholder(tf.float32,[None,10])

#根据y和y_构造交叉熵损失
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y)))

#利用梯度下降方法针对模型w和b进行优化,0.01代表学习速率
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

#创建session，只有在session中才能运行优化步骤train_step
se