数据分类作为数据挖掘中一个重要的分支,如今已经成为大数据时代的研究热点。逻辑回归是一种重要的机器学习分类算法,凭借其模型简单、训练高效、对线性数据拟合程度高等优点,在互联网、医疗、金融等领域有着广泛的应用。求解逻辑回归算法中的损失函数通常使用梯度下降这种迭代算法。在不同的梯度下降法中,小批量梯度下降法因其出色的性能被更加广泛地应用。传统的小批量梯度下降法中采用固态学习率,其缺点是在算法训练过程中,始终不变的学习率可能会导致算法的损失函数无法收敛到最优值,使得算法的训练效率和分类精度都会受到影响,在如今样本数据规模越来越大的情况下,无法满足需求,因此本文一个研究方向是对算法进行改进。另一方面规模越大的数据集对逻辑回归算法的训练速度有着越高的要求。随着GPU硬件技术的发展,越来越多的研究集中在GPU通用计算领域上。这为逻辑回归算法运算加速提供了方向。Tensor Flow作为时下十分流行的机器学习框架,十分支持对GPU的调用,这也为实现逻辑回归算法在GPU上的加速提供了合适的平台。论文针对以上两个问题,主要完成如下两方面工作:(1)针对小批量梯度下降法中采用固态学习率方法进行改进,提出了一种学习率余弦变换的改进方式。该改进方法首先选取合适的学习率范围,让学习率在取值范围内按照余弦函数变换的特点进行变换,从而使学习率在训练的不同时期以不同速率逐渐减小,达到逻辑回归损失函数收敛更快、收敛值更优的效果,提高逻辑回归算法的训练效率与分类精度。同时加入数据重排、正则化惩罚方法等模块使得逻辑回归算法模型具有更好的泛化能力。实验结果表明改进后的逻辑回归算法具有更好的训练效率与分类精度。(2)结合GPU强大的矩阵运算能力和Tensor Flow平台对GPU的支持,设计了基于Tensor Flow平台的两种逻辑回归算法并行方法,分别是单机单GPU并行和单机多GPU并行。设计思路是先将逻辑回归算法向量化,将复杂的矩阵运算通过Tensor Flow分配到GPU进行计算。单机单GPU采用模型并行方法,单机多GPU采用数据并行和模型并行相结合的方法。实验中,两种并行方法在大规模数据集上都有着十分显著的加速效果。本文从逻辑回归算法的改进出发,提高算法训练效率和分类精度,同时通过Tensor Flow实现算法并行化,加快算法运行速度,具有一定的研究意义和实用价值。