本節基于回歸學習對 MNIST 數據集進行處理，但將添加一些 TensorBoard 總結以便更好地理解 MNIST 數據集。
MNIST由https://www.tensorflow.org/get_started/mnist/beginners提供。

大部分人已經對 MNIST 數據集很熟悉了，它是機器學習的基礎，包含手寫數字的圖像及其標簽來說明它是哪個數字。

對于邏輯回歸，對輸出 y 使用獨熱（one-hot）編碼。因此，有 10 位表示輸出，每位的值為 1 或 0，獨熱意味著對于每個圖片的標簽 y，10 位中僅有一位的值為 1，其余的為 0。

因此，對于手寫數字 8 的圖像，其編碼值為 [0000000010]：

具體做法
導入所需的模塊：

可以從模塊 input_data 給出的 TensorFlow 示例中獲取 MNIST 的輸入數據。該 one_hot 標志設置為真，以使用標簽的 one_hot 編碼。這產生了兩個張量，大小為 [55000，784] 的 mnist.train.images 和大小為 [55000，10] 的 mnist.train.labels。mnist.train.images 的每項都是一個范圍介于 0 到 1 的像素強度：

在 TensorFlow 圖中為訓練數據集的輸入 x 和標簽 y 創建占位符：

創建學習變量、權重和偏置：

創建邏輯回歸模型。TensorFlow OP 給出了 name_scope（“wx_b”）：

訓練時添加 summary 操作來收集數據。使用直方圖以便看到權重和偏置隨時間相對于彼此值的變化關系。可以通過 TensorBoard Histogtam 選項卡看到：

定義交叉熵（cross-entropy）和損失（loss）函數，并添加 name scope 和 summary 以實現更好的可視化。使用 scalar summary 來獲得隨時間變化的損失函數。scalar summary 在 Events 選項卡下可見：

采用 TensorFlow GradientDescentOptimizer，學習率為 0.01。為了更好地可視化，定義一個 name_scope：

為變量進行初始化：

組合所有的 summary 操作：

現在，可以定義會話并將所有的 summary 存儲在定義的文件夾中：

經過 30 個周期，準確率達到了 86.5%；經過 50 個周期，準確率達到了 89.36%；經過 100 個周期，準確率提高到了 90.91 %。
解讀分析
這里使用張量 tensorboard–logdir=garphs 運行 TensorBoard。在瀏覽器中，導航到網址 localhost：6006 查看 TensorBoard。該模型圖如下：

在 Histogram 選項卡下，可以看到權重（weights）和偏置（biases）的直方圖：

權重和偏置的分布如下：

可以看到，隨著時間的推移，偏置和權重都發生了變化。在該示例中，根據 TensorBoard 中的分布可知偏置變化的范圍更大。在 Events 選項卡下，可以看到 scalar summary，即本示例中的交叉熵。下圖顯示交叉熵損失隨時間不斷減少：

總結

以上是生活随笔為你收集整理的TensorFlowMNIST数据集逻辑回归处理的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。