Classification 分类学习

学习资料:

• 相关代码

导入模块并创建数据¶

引入需要使用的Python包：

先定义一个功能，用来计算分类问题的准确率，即预测的类别中有多少是和实际类别一样的，计算出百分比。

用 randn 随机生成数据集。 D 中的 input_values 是 400 个样本，784 个feature。 target_class 是有两类，0 和 1。 要做的是，用神经网络训练数据学习哪些输入对应 0，哪些对应 1.

建立模型¶

接下来，定义神经网络。

先定义一个大的图片，编辑好图片的小部件，再把训练数据集放到图片中去自动地训练。

定义 x 和 y，相当于 placeholder。

初始化 weights 和 bias。 有多少 features 就生成多少个 weights， 今天只是用最基本的 input 和 output 层的神经网络，如果想用 hidden layer 可以参考上一节课的例子。

定义激活函数，交叉熵。 p_1 是用 sigmoid 求的概率，输入越小，则概率值越接近 0，越大则越接近 1，等于 0 则值为 0.5. p_1 > 0.5 时，预测值为 True，即为 1。 然后计算针对每个 sample 的交叉熵 xent。 再计算整批数据的 cost，为了减小 overfitting，这里加入了 L1-正则化。 接下来可以计算 weights 和 bias 的梯度 gW, gb。

激活模型¶

接下来激活网络。

学习率需要小于 1. 接下来定义两个函数 train 和 predict，方法和上一节课的类似。 outputs 可以输出两个 prediction 和交叉熵损失的平均值 xent.mean。

训练模型¶

接下来训练模型。 用训练集的 feature 和 target 训练模型，输出预测值和损失 pred, err。 每 50 步打印一次损失和准确率。

最后打印出预测值与实际值进行比较。