標籤：

高級API用法示例

01-30

tf.contrib.learn Quickstart

TensorFlow的機器學習高級API(tf.contrib.learn)使配置、訓練、評估不同的學習模型變得更加容易。在這個教程里，你將使用tf.contrib.learn在Iris data set上構建一個神經網路分類器。代碼有一下5個步驟：

  • 在TensorFlow數據集上載入Iris
  • 構建神經網路
  • 用訓練數據擬合
  • 評估模型的準確性
  • 在新樣本上分類

Complete Neural Network Source Code

這裡是神經網路的源代碼：

from __future__ import absolute_import

from __future__ import division

from __future__ import print_function

import os

import urllib

import numpy as np

import tensorflow as tf

# Data sets

IRIS_TRAINING = "iris_training.csv"

IRIS_TRAINING_URL = "download.tensorflow.org"

IRIS_TEST = "iris_test.csv"

IRIS_TEST_URL = "download.tensorflow.org"

def main():

# If the training and test sets arent stored locally, download them.

if not os.path.exists(IRIS_TRAINING):

raw = urllib.urlopen(IRIS_TRAINING_URL).read()

with open(IRIS_TRAINING, "w") as f:

f.write(raw)

if not os.path.exists(IRIS_TEST):

raw = urllib.urlopen(IRIS_TEST_URL).read()

with open(IRIS_TEST, "w") as f:

f.write(raw)

# Load datasets.

training_set = tf.contrib.learn.datasets.base.load_csv_with_header( filename=IRIS_TRAINING, target_dtype=np.int,

features_dtype=np.float32)

test_set = tf.contrib.learn.datasets.base.load_csv_with_header( filename=IRIS_TEST, target_dtype=np.int,

features_dtype=np.float32)

# Specify that all features have real-value data

feature_columns = [tf.contrib.layers.real_valued_column("", dimension=4)]

# Build 3 layer DNN with 10, 20, 10 units respectively.

classifier = tf.contrib.learn.DNNClassifier(feature_columns=feature_columns, hidden_units=[10, 20, 10],

n_classes=3,

model_dir="/tmp/iris_model")

# Define the training inputs def get_train_inputs():

x = tf.constant(training_set.data)

y = tf.constant(training_set.target)

return x, y # Fit model.

classifier.fit(input_fn=get_train_inputs, steps=2000)

# Define the test inputs def get_test_inputs():

x = tf.constant(test_set.data)

y = tf.constant(test_set.target)

return x, y

# Evaluate accuracy.

accuracy_score = classifier.evaluate(input_fn=get_test_inputs, steps=1)["accuracy"]

print("nTest Accuracy: {0:f}n".format(accuracy_score))

# Classify two new flower samples. def new_samples():

return np.array(

[[6.4, 3.2, 4.5, 1.5],

[5.8, 3.1, 5.0, 1.7]], dtype=np.float32)

predictions = list(classifier.predict(input_fn=new_samples))

print( "New Samples, Class Predictions: {}n"

.format(predictions)

)if __name__ == "__main__":

main()

Load the Iris CSV data to TensorFlow

Iris data set包含了150行數據，3個種類：Iris setosa, Iris virginica, and Iris versicolor.

每一行包括了以下的數據：花萼的寬度，長度，花瓣的寬度，花的種類。花的種類有整數表示，0表示Iris setosa, 1表示Iris virginica, 2表示Iris versicolor.

這裡，Iris數據隨機分割成了兩組不同的CSV文件：

  • 120個樣本的訓練數據(iris_training.csv)
  • 30個樣本的測試數據(iris_test.csv).

開始時，首先引進所有必要的模塊，然後定義下載存儲數據集的路徑：

from __future__ import absolute_

import from __future__

import division from __future__

import print_function

import os import urllib

import tensorflow as tf

import numpy as np

IRIS_TRAINING = "iris_training.csv"

IRIS_TRAINING_URL = "download.tensorflow.org"

IRIS_TEST = "iris_test.csv"

IRIS_TEST_URL = "download.tensorflow.org"

然後，如果訓練和測試集沒有在本地存儲，下載：

if not os.path.exists(IRIS_TRAINING):

raw = urllib.urlopen(IRIS_TRAINING_URL).read()

with open(IRIS_TRAINING,w) as f:

f.write(raw)

if not os.path.exists(IRIS_TEST):

raw = urllib.urlopen(IRIS_TEST_URL).read()

with open(IRIS_TEST,w) as f:

f.write(raw)

然後，用learn.datasets.base的load_csv_with_header()方法載入訓練集和測試集成Dataset S，load_csv_with_header()包涵一下三個參數：

  • filename，CSV文件的路徑
  • target_dtype,數據集目標值的numpy數據類型
  • features_dtype,數據集特徵值的numpy數據類型

這裡，目標是花的種類，是0-2的整數，所以數據類型是np.int:

# Load datasets.

training_set = tf.contrib.learn.datasets.base.load_csv_with_header(

filename=IRIS_TRAINING,

target_dtype=np.int,

features_dtype=np.float32)

test_set = tf.contrib.learn.datasets.base.load_csv_with_header( filename=IRIS_TEST, target_dtype=np.int,

features_dtype=np.float32)

tf.contrib.learn中的Dataset S是tuple,你可以通過data，target來訪問特徵值和目標值，比如，training_set.data,training_set.target

Construct a Deep Neural Network Classifier

tf.contrib.learn提供了多種預定義的模型，稱為 Estimator S,你可以用「黑盒子」在你的數據上來訓練和評估節點。這裡，你講配置深度神經網路分類器來擬合Iris數據，你可以用tf.contrib.learn.DNNClassifier作為示例：

# Specify that all features have real-value data

feature_columns = [tf.contrib.layers.real_valued_column("", dimension=4)]

# Build 3 layer DNN with 10, 20, 10 units respectively.

classifier = tf.contrib.learn.DNNClassifier(feature_columns=feature_columns, hidden_units=[10, 20, 10],

n_classes=3,

model_dir="/tmp/iris_model")

首先定義特徵所在的列，有4個特徵，所以dimension設定為4.

然後，構建了DNNClassifier，包含以下參數：

  • feature_columns=feature_columns.上面定義的特徵的列
  • hidden_units=[10, 20, 10]. 三個隱層，分別包含10,20,10個神經元
  • n_classes=3.三個目標
  • model_dir=/tmp/iris_model.訓練模型時保存的斷點數據

Describe the training input pipeline

tf.contrib.learn API使用輸入函數，創建TensorFlow節點來生成模型數據。這裡，數據比較小，可以放在tf.constant。

# Define the test inputs def get_train_inputs():

x = tf.constant(training_set.data)

y = tf.constant(training_set.target)

return x, y

Fit the DNNClassifier to the Iris Training Data

配置了DNN分類器，你可以用fit方法來擬合數據，傳遞get_train_inputs到input_fn參數中，循環訓練2000次：

# Fit model. classifier.fit(input_fn=get_train_inputs, steps=2000)

等效於：

classifier.fit(x=training_set.data, y=training_set.target, steps=1000) classifier.fit(x=training_set.data, y=training_set.target, steps=1000)

如果你想追蹤訓練模型，你可以用TensorFlow monitor來執行節點的日誌。

「Logging and Monitoring Basics with tf.contrib.learn」

Evaluate Model Accuracy

你已經用訓練數據擬合了模型，現在，你可以用evaluate方法在測試集上評估準確性。像fit一樣，evaluate也需要一個輸入函數來構建輸入的通道，並返回評估結果的字典。

# Define the test inputs def get_test_inputs():

x = tf.constant(test_set.data)

y = tf.constant(test_set.target)

return x, y

# Evaluate accuracy.

accuracy_score = classifier.evaluate(input_fn=get_test_inputs, steps=1)["accuracy"]

print("nTest Accuracy: {0:f}n".format(accuracy_score))

運行整個腳本，列印：

Test Accuracy: 0.966667

Classify New Samples

用predict()方法來分類新的樣本，比如，你有下面的兩個新樣本：

predict方法返回一個generator，可以轉換成list

# Classify two new flower samples.

def new_samples():

return np.array(

[[6.4, 3.2, 4.5, 1.5],

[5.8, 3.1, 5.0, 1.7]],dtype=np.float32)

predictions = list(classifier.predict(input_fn=new_samples))

print(

"New Samples, Class Predictions:

{}n" .format(predictions))

結果大致如下：

New Samples, Class Predictions: [1 2]

原文鏈接：jianshu.com/p/daf5b68d8


推薦閱讀：

TAG:API | 人工智能 |