Python進行深度學習—邏輯迴歸

第一步，讀取數據。

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

第二步，設置訓練集和測試集。

# 獲取訓練集和測試集 X0 = data.train.images Y0 = data.train.labels X1 = data.validation.images Y1 = data.validation.labels # 查看訓練集 print(X0.shape) 

第三步，可視化部分數據。

from matplotlib import pyplot as plt plt.figure() fig, ax = plt.subplots(2,5) ax = ax.flatten() for i in range(10): # 獲取 Y == i 的 X0 的第一個樣本，並轉換爲28 * 28的矩陣 Im = X0[Y0 == i][0].reshape(28,28) ax[i].imshow(Im) plt.show() 

第四步，轉化Y變量形式。

# 轉換爲 one-hot 型因變量 import tensorflow as tf from keras.utils import to_categorical YY0 = to_categorical(Y0) YY1 = to_categorical(Y1) 

第五步，構建模型。

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，擬合模型，得到模型參數。

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