TFboys:使用Tensorflow搭建深层网络分类器
前言
根据官方文档整理而来的,主要是对Iris数据集进行分类。使用tf.contrib.learn.tf.contrib.learn快速搭建一个深层网络分类器,
步骤
- 导入csv数据
- 搭建网络分类器
- 训练网络
- 计算测试集正确率
- 对新样本进行分类
数据
Iris数据集包含150行数据,有三种不同的Iris品种分类。每一行数据给出了四个特征信息和一个分类信息。
现在已经将数据分为训练集和测试集
- A training set of 120 samples (iris_training.csv)
- A test set of 30 samples (iris_test.csv)
网络搭建
1. 首先,导入tensorflow 和 numpy
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function
import tensorflow as tf
import numpy as np
2. 导入数据
# 定义数据地址
IRIS_TRAINING = "iris_training.csv"
IRIS_TEST = "iris_test.csv"
# 导入数据
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)
load_csv_with_header() 有三个参数
- filename, 数据地址
- target_dtype, 目标值的numpy datatype(iris的目标值是0,1,2,所以是np.int)
- features_dtype, 特征值的numpy datatype .
3. 搭建网络结构
# 每行数据4个特征,都是real-value的
feature_columns = [tf.contrib.layers.real_valued_column("", dimension=4)]
# 3层DNN,3分类问题
classifier = tf.contrib.learn.DNNClassifier(feature_columns=feature_columns,
hidden_units=[10, 20, 10],
n_classes=3,
model_dir="iris_model")
参数解释
- feature_columns 特征值
- hidden_units=[10, 20, 10]. 3个隐藏层,包含的隐藏神经元依次是10, 20, 10
- n_classes 类别个数
- model_dir 模型保存地址
4. 训练数据
classifier.fit(x=training_set.data, y=training_set.target, steps=2000)
steps 为训练次数
5. 计算准确率
accuracy_score = classifier.evaluate(x=test_set.data, y=test_set.target)["accuracy"]
print('Accuracy: {0:f}'.format(accuracy_score))
运行结果是
Accuracy: 0.966667
6. 对新样本进行预测
# 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)))
运行结果为:
Prediction: [1 2]
完整代码
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function
import tensorflow as tf
import numpy as np
IRIS_TRAINING = "iris_training.csv"
IRIS_TEST = "iris_test.csv"
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)
feature_columns = [tf.contrib.layers.real_valued_column("", dimension=4)]
classifier = tf.contrib.learn.DNNClassifier(feature_columns=feature_columns,
hidden_units=[10, 20, 10],
n_classes=3,
model_dir="iris_model")
classifier.fit(x=training_set.data,
y=training_set.target,
steps=2000)
accuracy_score = classifier.evaluate(x=test_set.data,
y=test_set.target)["accuracy"]
print('Accuracy: {0:f}'.format(accuracy_score))
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)))
参考
- tf.contrib.learn Quickstart
- tf.contrib.learn API
TFboys:使用Tensorflow搭建深层网络分类器相关推荐
- TensorFlow搭建VGG-Siamese网络
TensorFlow搭建VGG-Siamese网络 Siamese原理 Siamese网络,中文称为孪生网络.大致结构如下图所示: Siamese网络有两个输入,一个输出.其中,两个输入经过相同的网络 ...
- 5.3 使用tensorflow搭建GoogLeNet网络 笔记
B站资源 csdn本家 文章目录 model model_add_bn train train_add_bn trainGPU predict model from tensorflow.keras ...
- 利用TensorFlow搭建CNN,DNN网络实现图像手写识别,总结。
利用TensorFlow搭建CNN,DNN网络实现图像手写识别,总结. 摘要 一.神经网络与卷积网络的对比 1.数据处理 2.对获取到的数据进行归一化和独热编码 二.开始我们的tensorflow神经 ...
- python训练手势分类器_机器学习零基础?手把手教你用TensorFlow搭建图像分类器|干货...
编者按:Pete Warden是TensorFlow移动团队的技术负责人.曾在Jetpac担任首次技术官.Jetpac的深度学习技术经过优化,可在移动和嵌入式设备上运行.该公司已于2014年被谷歌收购 ...
- TensorFlow 使用 slim 模块搭建复杂网络
原文链接: TensorFlow 使用 slim 模块搭建复杂网络 上一篇: scrapy 代理使用 下一篇: TensorFlow infogan 生成 mnist 数据集 参考 https://b ...
- #教计算机学画卡通人物#生成式对抗神经网络GAN原理、Tensorflow搭建网络生成卡通人脸
生成式对抗神经网络GAN原理.Tensorflow搭建网络生成卡通人脸 下面这张图是我教计算机学画画,计算机学会之后画出来的,具体实现在下面. ▲以下是对GAN形象化地表述 ●赵某不务正业.游手好闲, ...
- tensorflow随笔——VGG网络
这次用slim搭个稍微大一点的网络VGG16,VGG16和VGG19实际上差不多,所以本例程的代码以VGG16来做5类花的分类任务. VGG网络相比之前的LeNet,AlexNet引入如下几个特点: ...
- 从自我学习到深层网络
从自我学习到深层网络 From Ufldl Jump to: navigation, search 在前一节中,我们利用自编码器来学习输入至 softmax 或 logistic 回归分类器的特 ...
- Stanford UFLDL教程 从自我学习到深层网络
从自我学习到深层网络 在前一节中,我们利用自编码器来学习输入至 softmax 或 logistic 回归分类器的特征.这些特征仅利用未标注数据学习获得.在本节中,我们描述如何利用已标注数据进行微调, ...
最新文章
- 一个管理者的反思(太深刻了!)
- windows8.1 windows defender service无法启动解决方案
- Windows下MySQL 5.6.19 general_log的设置(亲测)
- SpringBoot2.0 基础案例(17):自定义启动页,项目打包和指定运行环境
- 2 HTTP和HTTPS
- 一种虚拟现实技术用计算机,虚拟现实技术有哪几大分类?
- 深入理解目标检测与YOLO(从v1到v3)
- HTML——HTML基础语法
- Ruby语言快速入门
- STVD+Cosmic搭建STM8开发环境
- Tarjan的缩点割点概述
- 数据库:order by排序语句的用法
- 自制hdmi线一头改vga图_杀鸡取卵 | 破拆电脑VGA电缆获取收音机天线零件:双目铁氧体磁芯...
- 有一个Map集合里面存储的是学生的姓名和年龄,内容如下{赵四=21,王二=17,张三=18,小丫=25,李四=26,王五=38}(15分) 	 * a.将里面的元素用两种遍历方式打印到控制台上 	 *
- mysql 触发器很慢_mysql之视图、触发器、事物、存储过程、函数、流程控制、索引与慢查优化...
- 基于Python的阴阳师后台全平台辅助
- C# Code Review Checklist
- 提高免疫力的食物 十种提升免疫力食材
- matlab小作业答案,MATLAB编程作业答案.doc
- 遇到错误:python文件读写权限permission denied