tensorflow 实现softmax Regression分类器

softmax 是将分类函数`y = w * x`转化为概率分布的函数。下面是以对tensorflow mnist手写数字图像识别的0-9进行训练识别为例子。为了简单，直接上截图得了：

 

 

 

 

 

 

 

 

 

 

 

下面是tensorflow的代码。利用` with tf.name_scope`一个节点借点的写，有利于网络模型的可视化，更好的维护和管理。

from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf
import argparse
import sys
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'


# 在main函数中组织计算整个计算图 运行会话
def main():
    print("******开始设计计算图*******")
    with tf.Graph().as_default():
        # input： 定义输入节点
        with tf.name_scope('Input'):
            # 计算图输入占位符
            X = tf.placeholder(tf.float32, shape=[None, 784], name='X')
            Y_true = tf.placeholder(tf.float32, shape=[None, 10], name='Y_true')

        # interence 前向预测,创建一个线性模型： y = x*w + b
        with tf.name_scope('Interence'):
            W = tf.Variable(tf.zeros([784, 10]), name='Weight')
            b = tf.Variable(tf.zeros([10]))
            logits = tf.add(tf.matmul(X, W), b)
        # softmax 把Y_pred变成概率分布
        with tf.name_scope('SoftMax'):
            Y_pred = tf.nn.softmax(logits=logits)
        # 定义损失节点
        with tf.name_scope('Loss'):
            Loss = tf.reduce_mean(
                -tf.reduce_sum(Y_true * tf.log(Y_pred), axis=1)
            )
        # Train 定义训练节点
        with tf.name_scope('Train'):
            # Optimizer :创建梯度下降优化器
            Optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.01)
            # Train: 定义训练节点将梯度下降法应用于Loss
            TrainStep = Optimizer.minimize(Loss)

        # Evaluate : 评估节点
        with tf.name_scope('Evaluate'):
            correct_prediction = tf.equal(tf.argmax(Y_pred, 1), tf.argmax(Y_true, 1))
            accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

        # initial: 添加所有Variable类型的变量的初始化节点
        initOp = tf.global_variables_initializer()

        print('把计算图写入事件文件，在tensorBoard里面查看')
        writer = tf.summary.FileWriter(logdir='logs/mnist_softmax', 
        graph=tf.get_default_graph())
        writer.close()

        print("******开始运行计算图*******")
        # 加载数据
        mnist = input_data.read_data_sets('/datasets', one_hot=True)

        # 声明一个交互式会话
        sess = tf.InteractiveSession()
        # 初始化所有变量，w、b
        sess.run(initOp)

        # 开始按批次训练，总共训练1000个批次，每个批次100个样本
        for step in range(2000):
            batch_xs, batch_ys = mnist.train.next_batch(100)
            # 将当前批次的样本feed给计算图中的输入占位符，启动训练节点开始训练
            _, train_loss = sess.run([TrainStep, Loss], feed_dict={X: batch_xs,
             Y_true: batch_ys})
            print('train step:', step, ',train_loss s :', train_loss)

        accuracy_score = sess.run(accuracy, feed_dict={X: mnist.test.images,
         Y_true: mnist.test.labels})
        print("准确率 ： ", accuracy_score)


if __name__ == '__main__':
    main()