这一节我们用TensorFlow定义简单的分类器。首先考虑分类器的方程式是什么是值得的。数学习的技巧是使用sigmoid函数。sigmoid函数绘制如图3-40, 通常标记为σ, 是实数域里的函数取值(0, 1)。这个特征很便利，因为我们可以将sigmoid的输出解释为事件发现的概率。 (转换离散事件到连续值是机器学习里反复出现的主题)
图3-40. 绘制sigmoid 函数.
预测离散事件的概率的方程式如下。这些方程式定义了简单的逻辑回归模型:
y0 = σ（ wx + b）
y1 = 1 − σ （wx + b）
TensorFlow提供了工具函数来计算sigmoidal值的交叉熵损失。最简单的函数是tf.nn.sigmoid_cross_entropy_with_logits. ( logit是sigmoid的逆。实际上，这意味着传递参数到 sigmoid, wx + b, 而不是sigmoidal value σ wx + b 本身)。我们推荐使用 TensorFlow的实现而不是手工定义交叉熵,因为计算交叉熵损失有许多复杂的数值问题。
#List3-44
import numpy as np
np.random.seed(456)
import tensorflow as tf
#tf.set_random_seed(456)
import matplotlib.pyplot as plt
from sklearn.metrics import accuracy_score
from scipy.special import logit
# Generate synthetic data
N = 100
# Zeros form a Gaussian centered at (-1, -1)
x_zeros = np.random.multivariate_normal(mean=np.array((-1, -1)), cov=.1*np.eye(2), size=(N//2,))
y_zeros = np.zeros((N//2,))
# Ones form a Gaussian centered at (1, 1)
x_ones = np.random.multivariate_normal(mean=np.array((1, 1)), cov=.1*np.eye(2), size=(N//2,))
y_ones = np.ones((N//2,))
x_np = np.vstack([x_zeros, x_ones])
y_np = np.concatenate([y_zeros, y_ones])
# Save image of the data distribution
plt.xlabel(r"$x_1$")
plt.ylabel(r"$x_2$")
plt.title("Toy Logistic Regression Data")
# Plot Zeros
plt.scatter(x_zeros[:, 0], x_zeros[:, 1], color="blue")
plt.scatter(x_ones[:, 0], x_ones[:, 1], color="red")
plt.savefig("logistic_data.png")
x_np,y_np
模型的训练代码见List3-45 ，与线性回归模型的代码相同。
#List3-45
W = tf.Variable(tf.random.normal((2, 1)))
b = tf.Variable(tf.random.normal((1,)))
W,b
x=tf.cast(x_np,tf.float32)
y=tf.cast(y_np,tf.float32)
learning_r=0.01
optimizer = tf.optimizers.SGD(learning_r)
n_steps = 100
# Train model
for i in range(n_steps):
with tf.GradientTape() as tape:
#_, summary, loss = sess.run([train_op, merged, l], feed_dict=feed_dict)
y_logit = tf.squeeze(tf.matmul(x, W) + b)
# the sigmoid gives the class probability of 1
y_one_prob = tf.sigmoid(y_logit)
# Rounding P(y=1) will give the correct prediction.
y_pred = tf.round(y_one_prob)
entropy = tf.nn.sigmoid_cross_entropy_with_logits(logits=y_logit, labels=y)
# Sum all contributions
l = tf.reduce_sum(entropy)
gradients=tape.gradient(l,[W,b])
optimizer.apply_gradients(zip(gradients, [W, b]))
#W=W-tf.Variable(learning_r,tf.float32)*W
#b=b-tf.Variable(learning_r,tf.float32)*b
print("loss: %f" % l)
#train_writer.add_summary(summary, i)
# Get weights
w_final=W
b_final=b
# Make Predictions
#y_pred_np = sess.run(y_pred, feed_dict={x: x_np})
#score = accuracy_score(y_np, y_pred_np)
#print("Classification Accuracy: %f" % score)
plt.clf()
# Save image of the data distribution
plt.xlabel(r"$x_1$")
plt.ylabel(r"$x_2$")
plt.title("Learned Model (Classification Accuracy: 1.00)")
plt.xlim(-2, 2)
plt.ylim(-2, 2)
# Plot Zeros
plt.scatter(x_zeros[:, 0], x_zeros[:, 1], color="blue")
plt.scatter(x_ones[:, 0], x_ones[:, 1], color="red")
x_left = -2
y_left = (1./w_final[1]) * (-b_final + logit(.5) - w_final[0]*x_left)
x_right = 2
y_right = (1./w_final[1]) * (-b_final + logit(.5) - w_final[0]*x_right)
plt.plot([x_left, x_right], [y_left, y_right], color='k')
plt.savefig("logistic_pred.png")
图3-41