有数据集资料的群还没批准我加群。。。因此拿Excel用随机数生成了一些，下面先补上昨天没做的逻辑回归实验。
测试过程如下：
import tensorflow as tf import pandas as pd import numpy as np import matplotlib.pyplot as plt %matplotlib inline data = pd.read_csv('dataset/credite-a.csv') #head默认显示前五行 data.head()
x = data.iloc[:, :-1] #y轴将-1替换成0，方便显示 y = data.iloc[:, -1].replace(-1,0) #顺序模型 model = tf.keras.Sequential() #隐藏层1，规定4个隐藏单元数，input_shape：15列 model.add(tf.keras.layers.Dense(4, input_shape=(15,), activation='relu')) #隐藏层2，依然4个单元，但不用设置input_shape，因为会自己推断 model.add(tf.keras.layers.Dense(4, activation='relu')) #输出层，逻辑回归激活函数：sigmoid model.add(tf.keras.layers.Dense(1, activation='sigmoid')) model.summary()
这里dense的param计算结果不再多说，上上篇博客里的代码注释里我写过。
#ADAM算法，loss交叉熵算法，metrics运行过程中会计算正确率 model.compile(optimizer='adam',loss='binary_crossentropy',metrics=['acc']) #训练 history = model.fit(x, y, epochs=1000)
这里训练了1000次，正确率（acc）达到了67.68%。
图示如下：
这里图示显示的很乱主要还是数据集弄的不够好，我只是随机生成了100条随机数据，原视频演示里数据量达到了600+。
下面是新学的内容了：
Softmax分类：
对数几率回归解决的是二分类问题，多选项问题可以使用softmax函数，它是对数几率回归在N个可能不同的值上的推广。
神经网络原始输出不是一个概率的值，只是输入的数值做了复杂的加权与非线性处理（relu）之后的一个值而已，softmax层的作用就是将这个输出变为概率分布。
Softmax要求每个样本必须属于某个类别，且所有可能的样本均被覆盖
Softmax个样本分量之和为1，只有两个类别时与对数几率回归完全相同。
tf.keras中对于多分类问题通常使用categorical_crossentropy和sparse_categorical_crossentropy来计算softmax的交叉熵。
为了实现softmax分类的测试，我们需要下载个数据集，这次使用的是tensorflow里就可以导入使用的数据集，经典的Fashion MNIST数据集：
Fashion MNIST数据集：作用是成为经典MNIST数据集的简单替换，此数据集中是一些服饰图像。可以通过tensorflow直接访问，只需要导入和加载数据即可。
测试过程如下：
#导入Fashion MNIST数据集 import tensorflow as tf import pandas as pd import numpy as np import matplotlib.pyplot as plt %matplotlib inline (train_image, train_label), (test_image, test_label) = tf.keras.datasets.fashion_mnist.load_data()
我好像没有配置tensorflow的下载镜像源，因此下载速度偏慢，总共用了10多分钟：
这个数据集默认存在C:Users用户名.kerasdatasets里：
数据大概是这样子的：
接下来是使用softmax分类问题：
#令取值范围变为0-1（归一化） train_image = train_image/255 test_image = test_image/255 #建立模型，注意数据为二维（28*28） model = tf.keras.Sequential() #先将二维扁平成一维 model.add(tf.keras.layers.Flatten(input_shape=(28,28))) model.add(tf.keras.layers.Dense(128, activation='relu')) #使用softmax激活 model.add(tf.keras.layers.Dense(10, activation='softmax')) #编译 ##由于label使用的是数字编码，因此这里的loss使用sparse_categorical_crossentropy model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['acc']) model.fit(train_image, train_label, epochs=5)
显然这个数据集就很好，仅训练了5次正确率就达到了89.10%
最后是评价：
使用test_image和test_label对训练出来的模型进行评价，正确率达到了87.89%
除了tensorflow的学习之外，今天还把虚拟机的配置调试好了，包括hadoop的伪分布式安装，原电脑上的hbase，hive，mongodb和redis的包什么的也拷到这台电脑上来了。另外从今天开始得调整一下作息了，这两天熬夜搞得白天整个人都不好了T_T。