做视频网站的公司,公司名称大全简单大气易经起名,怎么让同一个局域网上的计算机看到我做的网站,佛山网站优化效果#codinggbk
逻辑回归#xff1a;逻辑回归需要将输出控制在[0,1]之间#xff0c;可以使用函数将值映射在[0,1]之间Sigmod函数#xff0c;逻辑回归一般采用对数损失函数#xff1b;from pylab import mpl
mpl.rcParams[font.sans-serif] [SimHei] #设置显示绘图显示中文
mp…#codinggbk
逻辑回归逻辑回归需要将输出控制在[0,1]之间可以使用函数将值映射在[0,1]之间Sigmod函数逻辑回归一般采用对数损失函数from pylab import mpl
mpl.rcParams[font.sans-serif] [SimHei] #设置显示绘图显示中文
mpl.rcParams[axes.unicode_minus] False #防止中文乱码有时候第一句不能完全避免显示错误#导入tensorflow 模块
import tensorflow.compat.v1 as tf
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from sklearn.datasets import load_boston
from sklearn.utils import shuffleimport tensorflow.examples.tutorials.mnist.input_data as input_data
mnist input_data.read_data_sets(MNIST_data/, one_hotTrue)print(训练集:, mnist.train.num_examples,测试集:, mnist.test.num_examples,验证集, mnist.validation.num_examples)print(Image shape:, mnist.train.images.shape,labels shape:,mnist.train.labels.shape)
运行结果
训练集: 55000 测试集: 10000 验证集 5000
Image shape: (55000, 784) labels shape: (55000, 10)
分析图像数据有55000条数据每条特征有784个(28x28的灰度图只有一个颜色通道)标签图像数据有55000条每条长度为10(one_hot编码的数据)
#显示图像函数定义
def plot_image(image):plt.imshow(image.reshape(28, 28), cmapbinary)plt.show()plot_image(mnist.train.images[3])
print(mnist.train.labels[3])显示数字6
[0. 0. 0. 0. 0. 0. 1. 0. 0. 0.]对应的标签为1的代表数字6这种编码方式是one_hot独热编码方式
#取得独热编码的值,若one_hot设置为False则标签中就直接为值
val np.argmax(mnist.train.labels[3])#获取编码对应的值
print(val) #值为数字6#数据集的划分可以将数据分为训练集测试集验证集可以大幅度减低过拟合的发生几率#数据的批量读取
mnist.train.images[0:10]#切片
batch_images_xs, batch_labels_ys \mnist.train.next_batch(batch_size10) #自动移动x tf.placeholder(tf.float32, [None, 784], namex)
y tf.placeholder(tf.float32, [None, 10], namey)
w tf.Variable(tf.random_normal([784, 10], namew))#正态随机数初始化
b tf.Variable(tf.zeros([10], nameb))#前向计算
f tf.matmul(x, w) b#计算结果分类,表示为哪一类的概率值将值控制在[0,1]之间
p tf.nn.softmax(f)#模型构建
train_c 80
#批量数据大小
b_size 100
#全部需要几个批次训练一次
total_b_size int(mnist.train.num_examples / b_size)
step 1
learning_rate 0.01#损失函数(交叉熵损失函数)
loss_Fun tf.reduce_mean(-tf.reduce_sum(y * tf.log(p), reduction_indices1))
#优化器
optimizer tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_Fun)
#检查预测类别tf.argmax(p,1)与实际类别tf.argmax(y,1)的匹配情况
correct_prediction tf.equal(tf.argmax(p, 1), tf.argmax(y, 1))#准确率将bool转换为浮点数计算平均值
ave tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
sess tf.Session()
init tf.global_variables_initializer()
sess.run(init)for i in range(train_c):for batch in range(total_b_size):x_, y_ mnist.train.next_batch(b_size)sess.run(optimizer, feed_dict{x: x_, y: y_})#使用验证数据集计算误差与准确率loss, acc sess.run([loss_Fun, ave], feed_dict{x: mnist.validation.images, y: mnist.validation.labels})print(Train count:, i 1, Loss, {:.9f}.format(loss), acc, {:.4f}.format(acc))
print(训练结束)#模型运用
Predict_Result sess.run(tf.argmax(p, 1), feed_dict{x: mnist.test.images})
print(Predict_Result[0:10])def plot_Result(images, labels, prediction, index, num10):fig plt.gcf()fig.set_size_inches(10, 12)if num 25:num 25for i in range(0, num):ax plt.subplot(5, 5, i 1)ax.imshow(np.reshape(images[index], (28, 28)), cmapbinary)title label str(np.argmax(labels[index]))if len(prediction) 0:title ,predict str(prediction[index])ax.set_title(title, fontsize10)#不显示坐标轴ax.set_xticks([])ax.set_yticks([])index 1plt.show()plot_Result(mnist.test.images,mnist.test.labels,Predict_Result,10,10)附 本文章学习自中国大学mooc-深度学习应用开发-Tensorflow实战
