在面對分類問題時，我們常用的一個演算法便是邏輯迴歸（logistic Regression）

在本次實驗中，我們的實驗物件是mnist手寫資料集，在該資料集中每張影象包含28*28個畫素點如下圖所示：

我們使用邏輯迴歸演算法來對mnist資料集的資料進行分類，判斷影象所表示的數字是幾。

程式碼如下：

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
from tensorflow.examples.tutorials.mnist import input_data

tf.set_random_seed(1)
np.random.seed(1)

BATCH_SIZE = 50
LR = 0.001

mnist = input_data.read_data_sets('./mnist',one_hot=True)                             #匯入MNIST資料集          
test_x = mnist.test.images[:2000]                                                     #將MNIST.TEST前2000個數據設定為測試資料集
test_y = mnist.test.labels[:2000]

x = tf.placeholder(tf.float32,[None,784])/255.
y = tf.placeholder(tf.int32,[None,10])

def addlayer(input,in_size,out_size,activiation_function=None):                       #定義addlayer函式
    Weight = tf.Variable(tf.zeros([in_size,out_size]))
    Baise = tf.Variable(tf.zeros([out_size]))
    wx_b = tf.matmul(input,Weight)+Baise
    if activiation_function is None:
        out = wx_b
    else:
        out = activiation_function(wx_b)
    return out

#build model
pred = addlayer(x,784,10,tf.nn.softmax)                                               #構建模型

loss = tf.losses.softmax_cross_entropy(onehot_labels=y,logits=pred)                   #計算誤差
train = tf.train.AdamOptimizer(LR).minimize(loss)                                     #訓練優化
accuracy = tf.metrics.accuracy(labels=tf.argmax(y,axis=1),predictions=tf.argmax(pred,axis=1),)[1]   
                                                                                      #計算準確率
sess = tf.Session()                                                                   #初始化
sess.run(tf.global_variables_initializer())
sess.run(tf.local_variables_initializer())

for step in range(10000):                                                             #訓練                                                            
    b_x,b_y = mnist.train.next_batch(BATCH_SIZE)
    _,loss_ = sess.run([train,loss],feed_dict={x:b_x,y:b_y})
    if step%50==0:
        accuracy_ = sess.run(accuracy,feed_dict={x:test_x,y:test_y})
        print('train loss:%.4f'%loss_, '|test accuracy%.4f'%accuracy_)

for i in range(5):                                                                    #將test資料集前5個數據進行視覺化                                                       
    X = test_x[i][np.newaxis,:]
    Y = test_y[i]
    test_output = sess.run(pred,feed_dict={x:X})
    pred_y = np.argmax(test_output,axis=1)
    real_y = np.argmax(Y)
    img = X.reshape((28,28))
    plt.imshow(img,cmap='gray')
    plt.text(1.5,2.5,'real number=%.4f'%real_y,fontdict={'size':20,'color':'green'})
    plt.text(1.5,5,'pred number=%.4f'%pred_y,fontdict={'size':20,'color':'red'})
    plt.show()

 

訓練結果如下：

測試資料集中前五個資料視覺化結果如下：