鸢尾花 softmax tensorflow

鸢尾花经典案例，采用 softmax 分类，使用tensorflow实现

# -*- coding:utf-8 -*-

#tensorflow 1.2 python 3.6

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.argmax（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

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件       3765  2017-11-23 10:31  softmax_iris.py

     文件       4619  2017-11-23 10:24  iris.csv

----------- ---------  ---------- -----  ----

                 8384                    2