一文初探Tensorflow高级API使用（初学者篇）
正文共5917个字，3张图，预计阅读时间34分钟。
笔记整理者：王小草
笔记整理时间：2017年2月26日
对应的官方文档地址：https://www.tensorflow.org/get_started/tflearn
官方文档上次更新时间：2017年2月15日
今天我们要向Tensorflow高级API的学习门槛迈进一步。别听到高级API就觉得是难度高的意思，其实高级API恰恰是为了降低大家的编码难度而设置的。Tensorflow更高层的API使得配置，训练，评估多种多样的机器学习模型更简单方便了。
本文将使用高层API：tf.contrib.learn 来构建一个分类神经网络，将它放在“鸢尾花数据集”上进行训练，并且估计模型，使得模型能根据特征（萼片和花瓣几何形状）预测出花的种类。
01
加载鸢尾花数据到TensorFlow上
首先介绍一下我们今天要使用的数据集：
鸢尾花数据集：Iris data set 由150个样本组成。其中，总共有3个类别：山鸢尾（Iris setosa），虹膜锦葵（Iris virginica），变色鸢尾 （Iris versicolor） ，每个类别50个样本。
下图，从左到右分别是 Iris setosa , Iris versicolor, and Iris virginica三类花的图片：
image_1b9suplqg7v91rva6qj1cda87u13.png-573.3kB
数据的每一行（也就是每个样本）包含了样本的特征与类别标签。
特征有：萼片的长度，萼片的宽度，花瓣的长度，花瓣的宽度。
类别标签用整型数字表示：0表示萼片，1表示Iris versicolor，2表示Iris virginica
数据格式如下：
image_1b9sruij71dl3eco10cf1laa1bgm.png-34.3kB
在机器学习的建模中，我们一般将数据集拆分成训练集与测试集，训练集用来训练模型，测试集用来测试模型的泛化能力。所以此处，也将150个样本的数据集随机地拆分成两个部分：
（1）训练集包含120个样本（放在iris_training.csv文件中）
（2）测试集包含30个样本（放在iris_test.csv文件中）
在开始写程序之前，要先下载好这两个数据集哦~
现在我们已经了解了数据集大概的样子了，于是开始上代码喽~
首先，还是先导入要用的库
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function
import tensorflow as tf
import numpy as np
接着，把下载好的训练集与测试集根据它们的路径加载的dataset中，使用的是learn.datasets.base中的load_csv_with_header()这个方法。这个方法需要传入3个参数：
（1）filename：文件路径/文件名
（2）target_dtype：标签类别的数据类型
（3）features_dtype：特征的数据类型
# 定义数据集的路径
IRIS_TRAINING = "iris_training.csv"
IRIS_TEST = "iris_test.csv"
# 加载数据集
# # 加载训练集
training_set = tf.contrib.learn.datasets.base.load_csv_with_header(
filename=IRIS_TRAINING, target_dtype=np.int, features_dtype=np.float32)
# # 加载测试集 test_set = tf.contrib.learn.datasets.base.load_csv_with_header( filename=IRIS_TEST, target_dtype=np.int, features_dtype=np.float32)
注意，加载建立后的Dataset是命名元组，可以使用training_set.data调用训练数据集的特征数据，使用training_set.target调用训练数据集的类别标签数据。对test_set的测试数据集也是同理。
02
构建深度神经网络分类模型
tf.contrib.learn提供了多种多样的预定义模型，叫做Estimators（估计器），这些Estimator在你拟运行训练与评估模型的操作的时候可以实现开箱即用，也就是说，当你要使用某个模型的时候，不再需要去写他的内部逻辑，直接调用这个模型的接口，用一句代码搞定即可。
于是，这里我们就来使用tf.contrib.learn配置一个深层神经网络的分类模型，只需要了了几行代码~
# Specify that all features have real-value datafeature_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")
以上代码首先定义了模型的特征列，并且指定了特征数据的数据类型。在上一节中我们看到所有的特征都是连续型变量，所以tf.contrib.layers.real_valued_column这个函数被用来构建特征列。另外，我们的数据集中有4个特征，故传入参数dimension=4.
接着，以上代码使用了tf.contrib.learn.DNNClassifier这个函数来直接构建DNN模型。（记得前面两个笔记，无论是讲简单的分类模型softmax regression还是稍微复杂的卷积神经网络，都是自己一层一层地去写模型的逻辑结构，相当繁琐，看！高级的API已经为我们封装好了这些模型，我们只需要直接调用方法就行）
DNNClassifier这个方法需要传入4个参数：
（1）feature_columns=feature_columns，将刚刚预先定义好的特征列传给参数feature_columns。
（2）hidden_units=[10, 20, 10]，设置隐藏层中的神经元个数，这里表示共有3个隐藏层，依次的神经元个数为10,20,10。
（3）n_classes=3，设置目标分类的个数，这个是3类，分成3种鸢尾花。
（4）model_dir=/tmp/iris_model，这是保存模型训练过程中的checkpoint检查点的数据的路径
03
模型拟合真实数据进行训练
上面一步建立了一个模型，现在你可以将鸢尾花的训练数据集利用fit()这个方法来拟合进模型。主要是通过传入参数的方式，将训练集中的特征传给x,将训练集中的标签传给y，并且定义了训练的次数（比如这里是2000次）：
# Fit modelclassifier.fit(x=training_set.data, y=training_set.target, steps=2000)
注意的是，模型的状态会在训练中被缓存在分类器中classifier，所以你可以按照自己的喜好来分开迭代，例如，上面代码等同于下面两句代码：
classifier.fit(x=training_set.data, y=training_set.target, steps=1000) classifier.fit(x=training_set.data, y=training_set.target, steps=1000)
04
评估模型的精度
第1步导入了数据，第2步构建了模型，第3步在训练集上进行了训练学，现在第4步，我们要去评估训练好的模型了。
评估模型的时候使用的是测试集，与.fit()方法相似，评估模型调用.evaluate()方法，并且将测试集的特征传入给x，测试集的标签传入给y，并且指定计算的是accuracy。
accuracy_score = classifier.evaluate(x=test_set.data, y=test_set.target)["accuracy"]print('Accuracy: {0:f}'.format(accuracy_score))
运行以上的所有代码，会打印出最后的精度：
Accuracy: 0.966667
每次训练的accuracy可能会有点不相同，但都应该是在90%之上的哈~
05
预测新的数据
模型建好了，也通过了评估，现在终于到了用武之时呢~我们要用模型与预测新的数据。
image_1b9tb7ha6oti156pplb23d128k1g.png-11.7kB
比如，现在新来了两条未知的数据，至知道这两朵花的4个特征，却不知道它们的种类，于是调用.predict()方法进行预测：
# 新的两个样本new_samples = np.array( [[6.4, 3.2, 4.5, 1.5], [5.8, 3.1, 5.0, 1.7]], dtype=float)# 预测 y = list(classifier.predict(new_samples, as_iterable=True))# 打印print('Predictions: {}'.format(str(y)))
.predict()返回的是一个数组，预测的结果打印出来应是如下，第一个样本为1类，第二哥赝本为二类。
Prediction: [1 2]
将以上代码所有整合在一起如下：
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function
import tensorflow as tf
import numpy as np
# Data sets
IRIS_TRAINING = "iris_training.csv"
IRIS_TEST = "iris_test.csv"
# 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")
# Fit model.classifier.fit(x=training_set.data, y=training_set.target, steps=2000)
# Evaluate accuracy.accuracy_score = classifier.evaluate(x=test_set.data, y=test_set.target)["accuracy"] print('Accuracy: {0:f}'.format(accuracy_score))
# Classify two new flower samples.new_samples = np.array( [[6.4, 3.2, 4.5, 1.5], [5.8, 3.1, 5.0, 1.7]], dtype=float) y = list(classifier.predict(new_samples, as_iterable=True)) print('Predictions: {}'.format(str(y)))
tf.contrib.learn包括了各种类型的深度学习和机器学习的算法。它是从Tensorflow官方Scikit Flow直接迁移过来的，其使用的风格与Scikit-learn相似（用python写机器学习的小伙伴应该很熟悉）。
从Tensorflowv0.9版本时候，tf.learn已经能够无缝与其他contrib模型结合起来使用啦~
原文： 一文初探Tensorflow高级API使用（初学者篇）（https://goo.gl/Xggzhn）
原文链接：https://www.jianshu.com/p/38e92602787d
查阅更为简洁方便的分类文章以及最新的课程、产品信息，请移步至全新呈现的“LeadAI学院官网”：
www.leadai.org
请关注人工智能LeadAI公众号，查看更多专业文章
大家都在看
LSTM模型在问答系统中的应用
基于TensorFlow的神经网络解决用户流失概览问题
最全常见算法工程师面试题目整理（一）
最全常见算法工程师面试题目整理（二）
TensorFlow从1到2 | 第三章 深度学习革命的开端：卷积神经网络
装饰器 | Python高级编程
今天不如来复习下Python基础
一文初探Tensorflow高级API使用（初学者篇）相关推荐
- Tensorflow高级API的进阶--利用tf.contrib.learn建立输入函数
正文共5958个字,预计阅读时间15分钟. 笔记整理者:王小草 笔记整理时间:2017年2月27日 笔记对应的官方文档:https://www.tensorflow.org/get_started/i ...
- Tensorflow高级API系列（一）：Estimator是什么？
前言 最近一直在做CTR预估的模型,为了应对大规模数据和导出更加易用的线上模型导出模型的问题,不得不放弃session,placehoder这种比较原始的tensorflow编码.使用更加高级的est ...
- 标准化Keras：TensorFlow 2.0中的高级API指南
TensorFlow正准备发布2.0版本 . 在本文中,我们希望预览TensorFlow的高级API标题的方向,并回答一些常见问题. Keras是一个非常受欢迎的高级API,用于构建和培训深度学习模型 ...
- TensorFlow 2.0发布在即，高级API变化抢先看
作者 | Sandeep Gupta, Josh Gordon, and Karmel Allison 整理 | 非主流.Jane 出品 | AI科技大本营 [导语]早在今年 8 月的时候,谷歌开源战 ...
- TensorFlow Keras API用法
TensorFlow Keras API用法 Keras 是与 TensorFlow 一起使用的更高级别的作为后端的 API.添加层就像添加一行代码一样简单.在模型架构之后,使用一行代码,可以编译和拟 ...
- NetCore基于EasyNetQ的高级API使用RabbitMq
一.消息队列 消息队列作为分布式系统中的重要组件,常用的有MSMQ,RabbitMq,Kafa,ActiveMQ,RocketMQ.至于各种消息队列的优缺点比较,在这里就不做扩展了,网上资源很多. 更 ...
- TensorFlow 官方API 中文版(二)
TensorFlow 官方API 中文版(二) 7/19/2016 6:55:43 AM 1.1.1 class tf.Graph(续) tf.Graph.devide(device_name_or_ ...
- Flink教程（11）- Flink高级API（Window）
文章目录 01 引言 02 Window 2.1 为什么需要Window? 2.2 Window分类 2.2.1 按照time和count分类 2.2.2 按照slide和size分类 2.2.3 总 ...
- Flink教程（13）- Flink高级API（状态管理）
文章目录 01 引言 02 Flink中的有状态计算 03 有状态和无状态计算 3.1 无状态计算 3.1.1 无状态计算特点 3.1.2 无状态计算例子(消费延迟计算) 3.2 有状态计算 3.2. ...
最新文章
- EVEREST Corporate Edition 使用SQL保存数据的简易方法
- 二十万字C/C++、嵌入式软开面试题全集宝典一
- QtGraphicView添加图元
- 基于Python实现对各种数据文件的操作
- php5和php7的bccomp计算精度区别
- idea：打包jar（原文by曲高终和寡）
- LeetCode 2187. 完成旅途的最少时间（二分查找）
- docker 6 docker运行的底层原理
- CSS z-index属性
- ×××的虚拟专用网--gre
- python len函数_你需要了解的最重要的Python概念
- luogu题解 UVA11992 【Fast Matrix Operations】
- keil+proteus 制作计算器_设计费 | 工程设计费计算器使用指南
- 2016年360校招笔试题
- JavaScrpit+Html实现日期时间启动、停止操作(应用场景:计时器、秒表)
- 点击左右箭头实现内容滑动
- A Survey: Visual Place Recognition 视觉场景识别的一篇调研
- python软件设计数据分析统计服_学习笔记（一）-python制作数据分析工具
- 德国语言＋留学签证递交材料详解（上海）
- CLIP 改进工作串讲（下）