上一篇文章我们介绍了如何使用Keras处理分类问题，那Tensorflow可不可以像处理回归问题一样，直接处理分类问题呢？
答案当然是肯定的。这篇文章我们就用之前 相同的数据，来学习如何用Tensorflow训练一个线性分类器。数据预处理的过程就略过了，可以参考上一篇文章。
同样的，为了方便与读者交流，所有的源代码都放在了这里：https://github.com/zht007/tensorflow-practice/
1. 定义数据shape
在Keras中，我们只需要考虑数据的输入和输出shape，中间的Shape以及参数的Shape，Keras都可以自动帮我们搞定。然而在Tensorflow就必须手动定义参数的Shape了。
首先我们还是要借助keras的工具将标签y转换成one hot 的数据。
import tensorflow as tf
from tensorflow.keras.utils import to_categorical
y_train_cat = to_categorical(y_train)
y_test_cat = to_categorical(y_test)
在定义权重W的Shape的时候，不妨教大家一个技巧，
Rows: W.shape[0] = X.shape[1], (输入的feature数)；
columns: W.shape[1] = Y.shape[1], (输出的classfication数)
n_features = X_train.shape[1]
n_classes = y_train_cat.shape[1]
w_shape = (n_features, n_classes)
b_shape = (1, n_classes)
2. Variables和Placeholders
参数W和b是Variables，要训练的X和Y是Placeholders
W = tf.Variable(initial_value = tf.random.normal(shape = w_shape))
b = tf.Variable(initial_value = tf.random.normal(shape = b_shape))
X = tf.placeholder(tf.float32)
y_true = tf.placeholder(tf.float32)
3. 计算图谱Graph
与线性回归一样，线性分类器的计算图谱如下
y_hat = tf.matmul(X,W) + b
4. 损失函数和Optimizer
损失函数需要选择softmax_cross_entropy，Optimizer与线性回归一样，用梯度下降Optimizer就OK了。
loss = tf.losses.softmax_cross_entropy(y_true, y_hat)
optimizer = tf.train.GradientDescentOptimizer(0.05)
train = optimizer.minimize(loss)
5. Session中训练
初始化Vaiable之后就可以在Session中进行训练啦。为了实现在Keras中存储损失函数的记录的功能，我们手动定义了字典history，用来存储训练组和验证组的损失函数变化过程。
epochs = 50000
history = {'loss':list(),'val_loss':list()}
with tf.Session() as sess:
sess.run(init)
for epoch in range(epochs):
sess.run(train,{X:X_train, y_true:y_train_cat})
history['loss'].append(sess.run(loss, {X: X_train, y_true: y_train_cat}))
history['val_loss'].append(sess.run(loss, {X: X_test, y_true: y_test_cat}))
if epoch % 100 == 0:
print("Iteration {}:\tloss={:.6f}:\tval_loss={:.6f}"
.format(epoch, history['loss'][epoch], history['val_loss'][epoch]))
y_pred = sess.run(y_hat, {X: X_test})
W_final, b_final = sess.run([W, b])
6. 验证结果
最后我们将训练结果可视化，可以看到效果还不错，损失函数的下降曲线非常平滑，而且训练集和测试集的损失函数也相差不大。
Congratulations @hongtao! You have completed the following achievement on the Steem blockchain and have been rewarded with new badge(s) :
You can view your badges on your Steem Board and compare to others on the Steem Ranking
If you no longer want to receive notifications, reply to this comment with the word
STOPDo not miss the last post from @steemitboard: