邊看邊練的簡明機器學習教程 Part II

景略集智 運營市場部 | 發布

微信公眾號 景略集智

往期內容：

Part I: 邊看邊練的簡明機器學習教程 Part I

文中所有代碼都可以點擊運行前往主站運行，免搭建環境哦~

4. Serverless Predictions at Scale

https://www.zhihu.com/video/933660979636666368

4.1 數據集

4.2 導入模塊與數據

上一節的Iris數據集來自Scikit-Learn，這次用TensorFlow讀取外部數據文件。

• TensorFlow讀取csv文件的函數是base.load_csv_with_header()
• 請閱讀代碼，根據提示完成以下數據導入過程

點擊這裡前往主站運行。

import tensorflow as tfnimport numpy as npnnprint(tf.__version__)nnfrom tensorflow.contrib.learn.python.learn.datasets import basennn# 數據文件nIRIS_TRAINING = iris_training.csvnIRIS_TEST = iris_test.csvnnn# 載入數據集ntraining_set = base.load_csv_with_header(filename=________, features_dtype=np.float32, target_dtype=np.int)nntest_set = base.load_csv_with_header(filename=________, features_dtype=np.float32, target_dtype=np.int)nnprint(training_set.data)nprint(training_set.target)n

4.3 模型搭建

點擊這裡前往主站運行。

# 所有特徵皆為實數nfeature_name = "flower_features"nfeature_columns =[tf.feature_column.numeric_column(feature_name, shape=[4])]nnclassifier = tf.estimator.LinearClassifier(n feature_columns=feature_columns,n n_classes=3, model_dir="/tmp/iris_model")nnn# 輸入函數ndef input_fn(dataset):n def _fn():n features = {feature_name: tf.constant(dataset.data)}n label = tf.constant(dataset.target)n return features, labeln return _fnnnprint(input_fn(training_set)())nn# raw data -> input function -> feature columns -> modeln

4.4 訓練-預測

• 設置訓練步數，使分類準確度accuracy_score大於0.95。

點擊這裡前往主站運行。

# 訓練模型nclassifier.train(input_fn=input_fn(training_set), steps=____)nprint(fit done)nn# 評估準確度naccuracy_score = classifier.evaluate(input_fn=input_fn(test_set), steps=100)["accuracy"]nnprint(nAccuracy:{0:f}.format(accuracy_score))nnn# 輸出模型nfeature_spec = {flower_features: tf.FixedLenFeature(shape=[4], dtype=np.float32)}nnserving_fn = tf.estimator.export.build_parsing_serving_input_receiver_fn(feature_spec)nnclassifier.export_savedmodel(export_dir_base=/tmp/iris_model + /export, serving_input_receiver_fn=serving_fn)n

5. Visualizing Your Model Using TensorBoard

https://www.zhihu.com/video/933661802982682624

因TensorBoard需要啟動網路服務並新建瀏覽器窗口查看，所以暫時未集成至Amalthea，請在本地部署。