Python进行深度学习—逻辑回归

第一步，读取数据。

from tensorflow.examples.tutorials.mnist import input_data data = input_data.read_data_sets('data/MNIST/',one_hot = False) 

第二步，设置训练集和测试集。

# 获取训练集和测试集 X0 = data.train.images Y0 = data.train.labels X1 = data.validation.images Y1 = data.validation.labels # 查看训练集 print(X0.shape) 

第三步，可视化部分数据。

from matplotlib import pyplot as plt plt.figure() fig, ax = plt.subplots(2,5) ax = ax.flatten() for i in range(10): # 获取 Y == i 的 X0 的第一个样本，并转换为28 * 28的矩阵 Im = X0[Y0 == i][0].reshape(28,28) ax[i].imshow(Im) plt.show() 

第四步，转化Y变量形式。

# 转换为 one-hot 型因变量 import tensorflow as tf from keras.utils import to_categorical YY0 = to_categorical(Y0) YY1 = to_categorical(Y1) 

第五步，构建模型。

from keras.layers import Activation, Dense, Flatten, Input from keras import Model input_shape = (784, ) input_layer = Input(input_shape) x = input_layer x = Dense(10)(x) x = Activation('softmax')(x) output_layer = x model = Model(input_layer, output_layer) model.summary() 

第六步，拟合模型，得到模型参数。

from keras.optimizers import Adam # 设置模型参数 model.compile(optimizer = Adam(0.01), loss = 'categorical_crossentropy', metrics = ['accuracy']) # 拟合模型 model.fit(X0,YY0, validation_data = (X1, YY1), batch_size = 100, epochs = 10)