学习笔记 TF010:softmax 分类

[cralison]

回答多选项问题，使用 softmax 函数，对数几率回归在多个可能不同值上的推广。函数返回值是 C 个分量的概率向量，每个分量对应一个输出类别概率。分量为概率，C 个分量和始终为 1。每个样本必须属于某个输出类别，所有可能样本均被覆盖。分量和小于 1,存在隐藏类别；分量和大于 1,每个样本可能同时属于多个类别。类别数量为 2,输出概率与对数几率回归模型输出相同。

变量初始化，需要 C 个不同权值组，每个组对应一个可能输出，使用权值矩阵。每行与输入特征对应，每列与输出类别对应。

鸢尾花数据集 Iris，包含 4 个数据特征、3 类可能输出，权值矩阵 4X3。

训练样本每个输出类别损失相加。训练样本期望类别为 1,其他为 0。只有一个损失值被计入，度量模型为真实类别预测的概率可信度。每个训练样本损失相加，得到训练集总损失值。TensorFlow 的 softmax 交叉熵函数，sparse_softmax_cross_entropy_with_logits 版本针对训练集每个样本只对应单个类别优化，softmax_cross_entropy_with_logits 版本可使用包含每个样本属于每个类别的概率信息的训练集。模型最终输出是单个类别值。

不需要每个类别都转换独立变量，需要把值转换为 0~2 整数(总类别数 3)。tf.stack 创建张量，tf.equal 把文件输入与每个可能值比较。tf.argmax 找到张量值为真的位置。

推断过程计算测试样本属于每个类别概率。tf. argmax 函数选择预测输出值最大概率类别。tf.equal 与期望类别比较。tf.reduce_meen 计算准确率。

import tensorflow as tf#导入 TensorFlow 库
import os#导入 OS 库
W = tf.Variable(tf.zeros([4, 3]), name="weights")#变量权值，矩阵，每个特征权值列对应一个输出类别
b = tf.Variable(tf.zeros([3], name="bias"))#模型偏置，每个偏置对应一个输出类别
def combine_inputs(X):#输入值合并
    print "function: combine_inputs"
    return tf.matmul(X, W) + b
def inference(X):#计算返回推断模型输出(数据 X)
    print "function: inference"
    return tf.nn.softmax(combine_inputs(X))#调用 softmax 分类函数
def loss(X, Y):#计算损失(训练数据 X 及期望输出 Y)
    print "function: loss"
    return tf.reduce_mean(tf.nn.sparse_softmax_cross_entropy_with_logits(logits=combine_inputs(X), labels=Y))#求平均值，针对每个样本只对应单个类别优化
def read_csv(batch_size, file_name, record_defaults):#从 csv 文件读取数据，加载解析，创建批次读取张量多行数据
    filename_queue = tf.train.string_input_producer([os.path.join(os.getcwd(), file_name)])
    reader = tf.TextLineReader(skip_header_lines=1)
    key, value = reader.read(filename_queue)
    decoded = tf.decode_csv(value, record_defaults=record_defaults)#字符串(文本行)转换到指定默认值张量列元组，为每列设置数据类型
    return tf.train.shuffle_batch(decoded, batch_size=batch_size, capacity=batch_size * 50, min_after_dequeue=batch_size)#读取文件，加载张量 batch_size 行
def inputs():#读取或生成训练数据 X 及期望输出 Y
    print "function: inputs"
    #数据来源： https://archive.ics.uci.edu/ml/datasets/Iris
    #iris.data 改为 iris.csv，增加 sepal_length, sepal_width, petal_length, petal_width, label 字段行首行
    sepal_length, sepal_width, petal_length, petal_width, label =\
        read_csv(100, "iris.csv", [[0.0], [0.0], [0.0], [0.0], [""]])
    #转换属性数据
    label_number = tf.to_int32(tf.argmax(tf.to_int32(tf.stack([
        tf.equal(label, ["Iris-setosa"]),
        tf.equal(label, ["Iris-versicolor"]),
        tf.equal(label, ["Iris-virginica"])
    ])), 0))#将类名称转抽象为从 0 开始的类别索引
    features = tf.transpose(tf.stack([sepal_length, sepal_width, petal_length, petal_width]))#特征装入矩阵，转置，每行一样本，每列一特征
    return features, label_number
def train(total_loss):#训练或调整模型参数(计算总损失)
    print "function: train"
    learning_rate = 0.01
    return tf.train.GradientDescentOptimizer(learning_rate).minimize(total_loss)
def evaluate(sess, X, Y):#评估训练模型
    print "function: evaluate"
    predicted = tf.cast(tf.arg_max(inference(X), 1), tf.int32)#选择预测输出值最大概率类别
    print sess.run(tf.reduce_mean(tf.cast(tf.equal(predicted, Y), tf.float32)))#统计所有正确预测样本数，除以批次样本总数，得到正确预测百分比
with tf.Session() as sess:#会话对象启动数据流图，搭建流程
    print "Session: start"
    tf.global_variables_initializer().run()
    X, Y = inputs()
    total_loss = loss(X, Y)
    train_op = train(total_loss)
    coord = tf.train.Coordinator()
    threads = tf.train.start_queue_runners(sess=sess, coord=coord)
    training_steps = 1000#实际训练迭代次数
    for step in range(training_steps):#实际训练闭环
        sess.run([train_op])
        if step % 10 == 0:#查看训练过程损失递减
            print str(step)+ " loss: ", sess.run([total_loss])
    print str(training_steps) + " final loss: ", sess.run([total_loss])
    evaluate(sess, X, Y)#模型评估
    coord.request_stop()
    coord.join(threads)
    sess.close()

参考资料： 《面向机器智能的 TensorFlow 实践》

欢迎加我微信交流：qingxingfengzi

我的微信公众号:qingxingfengzigz

我老婆张幸清的微信公众号：qingqingfeifangz