TensorFlow中怎么实现一个多元线性回归分类器

# - * - coding: utf-8 - * -import tensorflow as tfimport numpy as npimport pandas as pdfrom sklearn import datasetsimport os

def make_iris():    iris = datasets.load_iris()    x = pd.DataFrame(iris.data)    y = pd.DataFrame(iris.target).values    y_onehot = tf.one_hot(y, 3)    sess = tf.InteractiveSession()    y_onehot_value = sess.run(y_onehot).reshape((150, 3))    y_onehot_value = pd.DataFrame(y_onehot_value)    x.to_csv("iris_x.csv", sep=',', header=None, index=None)    y_onehot_value.to_csv("iris_y.csv", sep=',', header=None, index=None)    

def model(inputs, in_size, out_size):    Weights = tf.Variable(tf.random_normal([in_size, out_size]))    biases = tf.Variable(tf.zeros([1, out_size]))    outputs = tf.nn.softmax(tf.matmul(inputs, Weights) + biases)    return outputs       

# 定义模型训练函数def train():    # 首先是读取数据，用上面那个函数保存的数据，    # 把训练数据读进来，因为pandas读取的是    # DataFrame对象，通过values属性转换为numpy.ndarry类型。    x_data = pd.read_csv("iris_x.csv", header=None).values    y_data = pd.read_csv("iris_y.csv", header=None).values    # 接下来是把数据分为训练集和测试集。    train_x = x_data[0:120, :]    train_y = y_data[0:120, :]    test_x = x_data[120:151, :]    test_y = y_data[120:151, :]    print train_x.shape    print test_x.shape    print train_y.shape    print test_y.shape    #定义placeholder，这也可以不定义，后面就不    # 用显示的feed了，直接run优化目标就行。这    # 里还是要注意holder的维度代表的含义，别稀里糊涂的。    x_data_holder = tf.placeholder(tf.float32, [None, 4])    y_data_holder = tf.placeholder(tf.float32, [None, 3])    # 调用模型，输出预测结果    y_prediction = model(x_data_holder, 4, 3)    #定义交叉熵损失函数    cross_entropy = tf.reduce_mean(        -tf.reduce_sum(y_data_holder *                       tf.log(y_prediction), reduction_indices=[1]))    # 用梯度下降法求解，使得损失函数最小。    train_step = tf.train.GradientDescentOptimizer(0.1)\        .minimize(cross_entropy)    # 启动session。    with tf.Session() as sess:        init = tf.global_variables_initializer()        sess.run(init)        epoch = 2000        for e in range(epoch):            sess.run(train_step,                     feed_dict={x_data_holder: train_x,                            y_data_holder: train_y})            # 每隔50次，计算一下损失，注意这里的损失是训            # 练数据的损失，而且这个损失是单步的损失，            # 不是全部数据的损失。            if e % 50 == 0:                train_loss = sess.run(cross_entropy,                        feed_dict={x_data_holder: train_x,                               y_data_holder: train_y})                y_pre = sess.run(y_prediction,                    feed_dict={x_data_holder: test_x})                correct_prediction = tf.equal(tf.argmax(y_pre, 1),                           tf.argmax(test_y, 1))            # eval函数可以将tensor类型转换为具体的值，也可以不运行。                # print correct_prediction.eval(session=sess)                accuracy = tf.reduce_mean(tf.cast(correct_prediction,                                      tf.float32))            # 最后用测试数据，计算一下测试数据的预测精度。                test_acc = sess.run(accuracy,                         feed_dict={x_data_holder: test_x,                             y_data_holder: test_y})                print "acc: {}; loss: {}".format(test_acc, train_loss)      # 要计算全部数据的损失，需要在最后再run一下损失。        training_cost = sess.run(cross_entropy,                    feed_dict={x_data_holder: train_x,                              y_data_holder: train_y})        print "Training cost={}".format(training_cost)if __name__ == "__main__":    train()