逻辑回归是机器学习中很简答的一个栗子，这篇文章就是要介绍如何使用tensorflow实现一个简单的逻辑回归算法。
逻辑回归可以看作只有一层网络的前向神经网络，并且参数连接的权重只是一个值，而非矩阵。公式为：y_predict=logistic(X*W+b),其中X为输入，W为输入与隐含层之间的权重，b为隐含层神经元的偏置，而logistic为激活函数，一般为sigmoid或者tanh, y_predict为最终预测结果。
逻辑回归是一种分类器模型，需要木便函数不断的优化参数，这里目标函数为y_predict与真实标签Y之间的L2距离，使用随机梯度下降算法来更新权重和偏置。 废话不多说，贴代码：
# -*- coding:utf-8 -*-
#功能： 使用tensorflow实现一个简单的逻辑回归
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
#创建占位符
X=tf.placeholder(tf.float32)
Y=tf.placeholder(tf.float32)
#创建变量
#tf.random_normal([1])返回一个符合正太分布的随机数
w=tf.Variable(tf.random_normal([1],name='weight'))
b=tf.Variable(tf.random_normal([1],name='bias'))
y_predict=tf.sigmoid(tf.add(tf.mul(X,w),b))
num_samples=400
cost=tf.reduce_sum(tf.pow(y_predict-Y,2.0))/num_samples
#学习率
lr=0.01
optimizer=tf.train.AdamOptimizer().minimize(cost)
#创建session 并初始化所有变量
num_epoch=500
cost_accum=[]
cost_prev=0
#np.linspace（）创建agiel等差数组，元素个素为num_samples
xs=np.linspace(-5,5,num_samples)
ys=np.sin(xs)+np.random.normal(0,0.01,num_samples)
with tf.Session() as sess:
#初始化所有变量
sess.run(tf.initialize_all_variables())
#开始训练
for epoch in range(num_epoch):
for x,y in zip(xs,ys):
sess.run(optimizer,feed_dict={X:x,Y:y})
train_cost=sess.run(cost,feed_dict={X:x,Y:y})
cost_accum.append(train_cost)
print "train_cost is:",str(train_cost)
#当误差小于10-6时 终止训练
if np.abs(cost_prev-train_cost)<1e-6:
break
#保存最终的误差
cost_prev=train_cost
#画图 画出每一轮训练所有样本之后的误差
plt.plot(range(len(cost_accum)),cost_accum,'r')
plt.title('Logic Regression Cost Curve')
plt.xlabel('epoch')
plt.ylabel('cost')
plt.show()
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。
