逻辑回归可以看作只有一层网络的前向神经网络，并且参数连接的权重只是一个值，而非矩阵。公式为：y_predict=logistic(X*W+b),其中X为输入，W为输入与隐含层之间的权重，b为隐含层神经元的偏置，而logistic为激活函数，一般为sigmoid或者tanh, y_predict为最终预测结果。
逻辑回归是一种分类器模型，需要木便函数不断的优化参数，这里目标函数为y_predict与真实标签Y之间的L2距离，使用随机梯度下降算法来更新权重和偏置。 废话不多说，贴代码：
# -*- coding:utf-8 -*-#功能： 使用tensorflow实现一个简单的逻辑回归import tensorflow as tfimport numpy as npimport matplotlib.pyplot as plt #创建占位符X=tf.placeholder(tf.float32)Y=tf.placeholder(tf.float32) #创建变量#tf.random_normal([1])返回一个符合正太分布的随机数w=tf.Variable(tf.random_normal([1],name='weight'))b=tf.Variable(tf.random_normal([1],name='bias')) y_predict=tf.sigmoid(tf.add(tf.mul(X,w),b))num_samples=400cost=tf.reduce_sum(tf.pow(y_predict-Y,2.0))/num_samples #学习率lr=0.01optimizer=tf.train.AdamOptimizer().minimize(cost) #创建session 并初始化所有变量num_epoch=500cost_accum=[]cost_prev=0#np.linspace（）创建agiel等差数组，元素个素为num_samplesxs=np.linspace(-5,5,num_samples)ys=np.sin(xs)+np.random.normal(0,0.01,num_samples) with tf.Session() as sess: #初始化所有变量 sess.run(tf.initialize_all_variables()) #开始训练 for epoch in range(num_epoch): for x,y in zip(xs,ys): sess.run(optimizer,feed_dict={X:x,Y:y}) train_cost=sess.run(cost,feed_dict={X:x,Y:y}) cost_accum.append(train_cost) print "train_cost is:",str(train_cost) #当误差小于10-6时 终止训练 if np.abs(cost_prev-train_cost)<1e-6: break #保存最终的误差 cost_prev=train_cost#画图 画出每一轮训练所有样本之后的误差plt.plot(range(len(cost_accum)),cost_accum,'r')plt.title('Logic Regression Cost Curve')plt.xlabel('epoch')plt.ylabel('cost')plt.show() 
