【TensorFlow】DNNRegressor 的简单使用
tf.contrib.learn.DNNRegressor 是 TensoFlow 中实现的一个神经网络回归器。一般神经网络用于分类问题的比较多，但是同样可以用于回归问题和无监督学习问题。
此文的代码和所生成的 TensorBoard 文件可以从 这里 下载。
tf.contrib.learn
tf.contrib.learn 是 TensorFlow 提供的一个机器学习高级 API 模块，让用户可以更方便的配置、训练和评估各种各样的机器学习模型，里面内置了很多模型可以直接调用，使用类似 scikit-learn 的 API 。大致有以下几种模型，具体可参考 Learn (contrib)：
- K-means 聚类
tf.contrib.learn.KMeansClustering - 神经网络分类器
tf.contrib.learn.DNNClassifier - 神经网络回归器
tf.contrib.learn.DNNRegressor - 广度深度回归
tf.contrib.learn.DNNLinearCombinedRegressor - 广度深度分类
tf.contrib.learn.DNNLinearCombinedClassifier - 线性分类
tf.contrib.learn.LinearClassifier - 线性回归
tf.contrib.learn.LinearRegressor - 逻辑斯谛回归
tf.contrib.learn.LogisticRegressor
DNNRegressor
下面以波士顿房价预测的例子来说明一下 DNNRegressor 的使用。
波士顿房价数据集大小为 506*14，也就是说有 506 个样本，每个样本有 13 个特征，另外一个是要预测的房价。数据集我们直接使用 scikit-learn 的 load_boston() 函数直接载入，这里引用下UCI 的解释：
- CRIM per capita crime rate by town
- ZN proportion of residential land zoned for lots over 25,000 sq.ft.
- INDUS proportion of non-retail business acres per town
- CHAS Charles River dummy variable (= 1 if tract bounds river; 0 otherwise)
- NOX nitric oxides concentration (parts per 10 million)
- RM average number of rooms per dwelling
- AGE proportion of owner-occupied units built prior to 1940
- DIS weighted distances to five Boston employment centres
- RAD index of accessibility to radial highways
- TAX full-value property-tax rate per $10,000
- PTRATIO pupil-teacher ratio by town
- B 1000(Bk - 0.63)^2 where Bk is the proportion of blacks by town
- LSTAT % lower status of the population
- MEDV Median value of owner-occupied homes in $1000’s
开始前先说明一下，DNNRegressor 的使用逻辑和其他库的不太一样，如果你比较熟悉 TensorFlow 的话就比较好理解：我们是先定义一些计算图，这时候并不真正的传入数据，然后在训练的时候去执行这个计算图，也就是说这时候才开始将真正的数据穿进去。相当于是组装一条产品的生产线，刚开始我们只是把这台生产线组装好，并不开始真正的生产产品（保有数据），到最后阶段（训练阶段）才会真正的把原材料「喂给」生产线上来生产产品。
下面的程序大致上是这么几个步骤：
- 载入数据
- 定义
FeatureColumn - 定义 regressor
- 训练
- 评估
- 预测
载入数据
如上所说，这里我们使用 scikit-learn 的 load_boston() 函数来载入数据。
boston = load_boston()
boston_df = pd.DataFrame(np.c_[boston.data, boston.target], columns=np.append(boston.feature_names, 'MEDV'))
LABEL_COLUMN = ['MEDV']
FEATURE_COLUMNS = [f for f in boston_df if not f in LABEL_COLUMN]boston 是一个 numpy 多维数组，为了后面方便转换成 pandas 的 DataFrame 类型，MEDV 就是我们要预测的变量。
然后我们使用 train_test_split() 来按照 7:3 的比例来分割数据集。
X_train, X_test, y_train, y_test = train_test_split(boston_df[FEATURE_COLUMNS], boston_df[LABEL_COLUMN], test_size=0.3)
print('训练集：{}\n测试集：{}'.format(X_train.shape, X_test.shape))训练集：(354, 13)
测试集：(152, 13)在进行下一步之前，我们先来简单的看下这个数据集的分布情况。
各个变量的 violin 图，从这些图我们可以看出每个变量的分布情况：
14 个变量之间的相关情况：
右键在新标签页打开可以查看大图
从这个图我们可以看出 RM （住宅平均房间数）与最终的售价是最正相关的，而 LSTAT （人口中地位低下者的比例）是最负相关的。
定义 FeatureColumn
TensorFlow 使用 FeatureColumn 来表示数据集中的一个的特征，我们需要根据特征类型（连续或者分类）把原来的特征都转换成 FeatureColumn。此处数据已经都是连续数值了，所以直接使用 tf.contrib.layers.real_valued_column() 来转换成 FeatureColumn，如果是分类变量，则需要使用 tf.contrib.layers.sparse_column_with_keys() 或者 tf.contrib.layers.sparse_column_with_hash_bucket()。
feature_cols = [tf.contrib.layers.real_valued_column(k) for k in FEATURE_COLUMNS]定义 regressor
这里就到定义模型的时候了，也就是 DNNRegressor，将我们前面定义的 FeatureColumn 传进去，再设置下隐藏层的层数和神经元数量，指定模型保存目录（训练完成后可以使用 tensorboard 可视化网络结构和训练过程）。
regressor = tf.contrib.learn.DNNRegressor(feature_columns=feature_cols, hidden_units=[64, 128], model_dir='./models/dnnregressor')定义 input_fn
定义完 regressor 之后就是模型的训练了，但是在训练开始前，我们需要定义一下传给模型训练的数据的格式，这就是 input_fn 的作用。input_fn 必须返回 feature_cols 和 labels。
feature_cols是一个字典， key 是特征的名字，value 是对应的数据（Tensor 格式）labels是一个 Tensor，就是你要预测的变量
def input_fn(df, label):feature_cols = {k: tf.constant(df[k].values) for k in FEATURE_COLUMNS}label = tf.constant(label.values)return feature_cols, labeldef train_input_fn():'''训练阶段使用的 input_fn'''return input_fn(X_train, y_train)def test_input_fn():'''测试阶段使用的 input_fn'''return input_fn(X_test, y_test)训练
定义完 input_fn 我们就可以开始真正的训练过程了。
regressor.fit(input_fn=train_input_fn, steps=5000)训练阶段和测试阶段所用的数据是不一样的，所以在上面我又分别为训练和测试写了一个 input_fn。当然除了这种方式还有其他方式，你可以只写一个 input_fn，然后在 fit 的时候使用类似 input_fn=lambda: input_fn(training_set) 来制定传入的数据集。注意你不能直接使用 input_fn=input_fn(training_set) ，因为 input_fn 参数的值是一个函数。
测试
ev = regressor.evaluate(input_fn=test_input_fn, steps=1)
print('ev: {}'.format(ev))测试结果是一个字典，包括最终损失和迭代步数：
ev: {'loss': 32.229404, 'global_step': 5000}我们从 TensorBoard 可以看到最终的训练损失和测试损失：
右键在新标签页打开可以查看大图
整个计算图是这样的：
右键在新标签页打开可以查看大图
预测
使用训练好的模型对测试数据进行预测，只输出前 10 项预测结果：
predict = regressor.predict(input_fn=test_input_fn, as_iterable=False)
print(predict[:10])[ 25.04570198 31.65488815 11.31779861 14.20497131 31.1240234437.50260925 25.20910835 24.17683983 20.83440208 35.22043991]Trouble Shooting
InternalError (see above for traceback): Blas SGEMM launch failed
如果你的程序报类似这样的错，说明你在使用 GPU 计算（默认行为）且你的 GPU 可用显存不足，TensorFlow 总是试图为自己分配全部显存，例如你的显存是 2GB，那么他就会试图为自己分配 2GB，但是一般情况下你的显存不会一点都不被其他程序占用的，导致 TensorFlow 分配显存失败。
解决办法是在定义 regressor 的时候使用 config 参数中的 gpu_memory_fraction 来指定分配给 TensorFlow 的显存大小（比例）：
# log_device_placement 用于记录并输出使用的设备，可以不用写
config = tf.contrib.learn.RunConfig(gpu_memory_fraction=0.3, log_device_placement=True)
regressor = tf.contrib.learn.DNNRegressor(feature_columns=feature_cols, hidden_units=[64, 128], model_dir='./models/dnnregressor', config=config)END
【TensorFlow】DNNRegressor 的简单使用相关推荐
- TensorFlow团队：TensorFlow Probability的简单介绍
文章来源:ATYUN AI平台 在2018年TensorFlow开发者峰会上,我们(TensorFlow团队)宣布发布TensorFlow Probability:一种使机器学习研究人员及相关从业人员 ...
- 如何利用TensorFlow.js部署简单AI版「你画我猜」
选自Medium,作者:Zaid Alyafeai,机器之心编译,参与:Geek AI.路. 本文创建了一个简单的工具来识别手绘图像,并且输出当前图像的名称.该应用无需安装任何额外的插件,可直接在浏览 ...
- 【TensorFlow】实现简单的鸢尾花分类器
代码实现及说明 # python 3.6 # TensorFlow实现简单的鸢尾花分类器 import matplotlib.pyplot as plt import tensorflow as tf ...
- seq2seq模型_使用Tensorflow搭建一个简单的Seq2Seq翻译模型
1.背景 首先,这篇博文整理自谷歌开源的神经机器翻译项目Neural Machine Translation (seq2seq) Tutorial.如果你直接克隆这个项目按照Tutorial中的说明操 ...
- tensorflow+k-means聚类 简单实现猫狗图像分类
文章目录 一.前言 二.k-means聚类 三.图像分类 一.前言 本文使用的是 kaggle 猫狗大战的数据集:https://www.kaggle.com/c/dogs-vs-cats/data ...
- Anaconda3、TensorFlow和keras简单安装方法（较详细）
因学习需要用到keras,通过查找较多资料最终完成Anaconda.TensorFlow和Keras的简单安装.因为网上的相关资料较多但大部分不够全面,查找起来不太方便,因此自己记录一下成功下载安装的 ...
- 30行代码就可以实现看图识字！python使用tensorflow.keras搭建简单神经网络
文章目录 搭建过程 1. 引入必需的库 2. 引入数据集 3. 搭建神经网络层 4. 编译神经网络模型 5. 训练模型 效果测试 大概几个月前,神经网络.人工智能等概念在我心里仍高不可攀,直到自己亲身 ...
- 如何利用TensorFlow.js部署简单的AI版「你画我猜」图像识别应用
选自Medium,作者:Zaid Alyafeai,机器之心编译,参与:Geek AI.路. 本文创建了一个简单的工具来识别手绘图像,并且输出当前图像的名称.该应用无需安装任何额外的插件,可直接在浏览 ...
- 从1开始Tensorflow——1.超简单的神经网络
大家好,我是小机智桑,萌新一枚,这是我的第一次-----------------写笔记.(本系列笔记是融合了Tensorflow官方教程.<深度学习--基于Python语言和TensorFlow ...
最新文章
- 剑指offer ：从尾到头打印链表
- nginx lua连接mysql_OpenResty的安装和在nginx中使用lua直接访问mysql达到数据接口的统一...
- 学习嵌入式系统需要具备的条件、方法及步骤
- nginx常用功能全揭秘（内附福利！！！）
- ubuntu18docker下安装MySQL
- JavaScript实现判断32位的数字是否为正数isPositive算法（附完整源码）
- ceph集群简单安装部署（Ubuntu14环境）
- 超速问题的c语言编程,超速行驶问题--精选.doc
- x264 移植到 ARM的方法
- dual vector space
- 遗传算法的原理与python实现
- 系列教程丨用 Docker 探索开源软件 —— Elasticsearch（一）
- mysql 测试快生产慢_兴奋！阿里三位扫地憎专家总结的Mysql性能优化金字塔法则，操作细节满分...
- java优先级 六级和七级_百度知道六级和七级得区别是什么？如何升到七级？
- 【面试分享】奇安信渗透测试工程师，通过！
- int类型和Integer类型数据的比较
- 将yyyyMMdd转成yyyy-MM-dd格式和yyyy-MM-dd格式转成yyyyMMdd
- 虚拟服务器 补丁,两种方法为VMware ESXi打补丁
- 手贱对mac进行了系统更新到 macOS Big Sur 出现系统异常导致开不了机，一直卡在开机页面，解决过程。
- 台湾国立大学郭彦甫Matlab教程笔记（1）schedule