从今天的推文开始，我打算把经典的机器学习算法，都用tf实现一遍。这样一来可以熟悉一下机器学习算法，二来可以对tf有比较好的掌握，如果你是新手，那就跟着我的节奏，一起学习吧。讲的不好，大神轻拍~。
为了节省时间，有兴趣的童鞋可以直接去Github上clone，使用~，欢迎来点star~。
Github 地址：
https://github.com/Alvin2580du/machine_learning_with_tensorflow.git
# 导入需要的模块
代码语言：javascript复制# - * - coding: utf-8 - * -
import tensorflow as tf
import numpy as np
import pandas as pd
from sklearn import datasets
import os# 这个函数是为了利用sklearn获取iris数据，然后保存到本地后面用。
代码语言：javascript复制def make_iris():
iris = datasets.load_iris()
x = pd.DataFrame(iris.data)
y = pd.DataFrame(iris.target).values
y_onehot = tf.one_hot(y, 3)
sess = tf.InteractiveSession()
y_onehot_value = sess.run(y_onehot).reshape((150, 3))
y_onehot_value = pd.DataFrame(y_onehot_value)
x.to_csv("iris_x.csv", sep=',', header=None, index=None)
y_onehot_value.to_csv("iris_y.csv", sep=',', header=None, index=None)# 定义模型，这里要分清楚，in_size,out_size分别代表什么的大小，比如对于iris数据集，有4个自变量，1个因变量，但是我们把label经过one_hot编码之后，label就变成了3维。所以这里In_size就是训练数据的维度，也就是变量的个数。而out_size是输出的维度，就是因变量的维度，所以是3.
一般对于多元线性回归模型，可以写成矩阵的形式就是，Y=WX b，这里W是4x3的，x是150x4的，b是150x3的，所以Y的维度就是（150x4）x（4x3） （150x3）=150x3（属于某个类别的概率），模型最后输出是softmax多分类函数，所以最后每个样本都会有一个属于不同类别的概率值。
代码语言：javascript复制def model(inputs, in_size, out_size):
Weights = tf.Variable(tf.random_normal([in_size, out_size]))
biases = tf.Variable(tf.zeros([1, out_size]))
outputs = tf.nn.softmax(tf.matmul(inputs, Weights) biases)
return outputs# 定义模型训练函数
def train():
# 首先是读取数据，用上面那个函数保存的数据，
# 把训练数据读进来，因为pandas读取的是
# DataFrame对象，通过values属性转换为numpy.ndarry类型。
x_data = pd.read_csv("iris_x.csv", header=None).values
y_data = pd.read_csv("iris_y.csv", header=None).values
# 接下来是把数据分为训练集和测试集。
train_x = x_data[0:120, :]
train_y = y_data[0:120, :]
test_x = x_data[120:151, :]
test_y = y_data[120:151, :]
print train_x.shape
print test_x.shape
print train_y.shape
print test_y.shape
#定义placeholder，这也可以不定义，后面就不
# 用显示的feed了，直接run优化目标就行。这
# 里还是要注意holder的维度代表的含义，别稀里糊涂的。
x_data_holder = tf.placeholder(tf.float32, [None, 4])
y_data_holder = tf.placeholder(tf.float32, [None, 3])
# 调用模型，输出预测结果
y_prediction = model(x_data_holder, 4, 3)
#定义交叉熵损失函数
cross_entropy = tf.reduce_mean(
-tf.reduce_sum(y_data_holder *
tf.log(y_prediction), reduction_indices=[1]))
# 用梯度下降法求解，使得损失函数最小。
train_step = tf.train.GradientDescentOptimizer(0.1)
.minimize(cross_entropy)
# 启动session。
with tf.Session() as sess:
init = tf.global_variables_initializer()
sess.run(init)
epoch = 2000
for e in range(epoch):
sess.run(train_step,
feed_dict={x_data_holder: train_x,
y_data_holder: train_y})
# 每隔50次，计算一下损失，注意这里的损失是训
# 练数据的损失，而且这个损失是单步的损失，
# 不是全部数据的损失。
if e % 50 == 0:
train_loss = sess.run(cross_entropy,
feed_dict={x_data_holder: train_x,
y_data_holder: train_y})
y_pre = sess.run(y_prediction,
feed_dict={x_data_holder: test_x})
correct_prediction = tf.equal(tf.argmax(y_pre, 1),
tf.argmax(test_y, 1))
# eval函数可以将tensor类型转换为具体的值，也可以不运行。
# print correct_prediction.eval(session=sess)
accuracy = tf.reduce_mean(tf.cast(correct_prediction,
tf.float32))
# 最后用测试数据，计算一下测试数据的预测精度。
test_acc = sess.run(accuracy,
feed_dict={x_data_holder: test_x,
y_data_holder: test_y})
print "acc: {}; loss: {}".format(test_acc, train_loss)
# 要计算全部数据的损失，需要在最后再run一下损失。
training_cost = sess.run(cross_entropy,
feed_dict={x_data_holder: train_x,
y_data_holder: train_y})
print "Training cost={}".format(training_cost)
if __name__ == "__main__":
train()============End============
