高级API用法示例

tf.contrib.learn Quickstart

TensorFlow的机器学习高级API(tf.contrib.learn)使配置、训练、评估不同的学习模型变得更加容易。在这个教程里，你将使用tf.contrib.learn在Iris data set上构建一个神经网络分类器。代码有一下5个步骤：

• 在TensorFlow数据集上加载Iris
• 构建神经网络
• 用训练数据拟合
• 评估模型的准确性
• 在新样本上分类

Complete Neural Network Source Code

这里是神经网络的源代码：

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 = "http://download.tensorflow.org/data/iris_training.csv" IRIS_TEST = "iris_test.csv" IRIS_TEST_URL = "http://download.tensorflow.org/data/iris_test.csv" def main(): # If the training and test sets aren't 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行数据，3个种类：Iris setosa, Iris virginica, and Iris versicolor.

每一行包括了以下的数据：花萼的宽度，长度，花瓣的宽度，花的种类。花的种类有整数表示，0表示Iris setosa, 1表示Iris virginica, 2表示Iris versicolor.

这里，Iris数据随机分割成了两组不同的CSV文件：

• 120个样本的训练数据(iris_training.csv)
• 30个样本的测试数据(iris_test.csv).

开始时，首先引进所有必要的模块，然后定义下载存储数据集的路径：

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 = "http://download.tensorflow.org/data/iris_training.csv" IRIS_TEST = "iris_test.csv" IRIS_TEST_URL = "http://download.tensorflow.org/data/iris_test.csv"

然后，如果训练和测试集没有在本地存储，下载：

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)

然后，用learn.datasets.base的load_csv_with_header()方法加载训练集和测试集成Dataset S，load_csv_with_header()包涵一下三个参数：

• filename，CSV文件的路径
• target_dtype,数据集目标值的numpy数据类型
• features_dtype,数据集特征值的numpy数据类型

这里，目标是花的种类，是0-2的整数，所以数据类型是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,你可以通过data，target来访问特征值和目标值，比如，training_set.data,training_set.target

Construct a Deep Neural Network Classifier

tf.contrib.learn提供了多种预定义的模型，称为 Estimator S,你可以用“黑盒子”在你的数据上来训练和评估节点。这里，你讲配置深度神经网络分类器来拟合Iris数据，你可以用tf.contrib.learn.DNNClassifier作为示例：

# 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")

首先定义特征所在的列，有4个特征，所以dimension设定为4.

然后，构建了DNNClassifier，包含以下参数：

• feature_columns=feature_columns.上面定义的特征的列
• hidden_units=[10, 20, 10]. 三个隐层，分别包含10,20,10个神经元
• n_classes=3.三个目标
• model_dir=/tmp/iris_model.训练模型时保存的断点数据

Describe the training input pipeline

tf.contrib.learn API使用输入函数，创建TensorFlow节点来生成模型数据。这里，数据比较小，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分类器，你可以用fit方法来拟合数据，传递get_train_inputs到input_fn参数中，循环训练2000次：

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

等效于：

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

如果你想追踪训练模型，你可以用TensorFlow monitor来执行节点的日志。

“Logging and Monitoring Basics with tf.contrib.learn”

Evaluate Model Accuracy

你已经用训练数据拟合了模型，现在，你可以用evaluate方法在测试集上评估准确性。像fit一样，evaluate也需要一个输入函数来构建输入的通道，并返回评估结果的字典。

# 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))

运行整个脚本，打印：

Test Accuracy: 0.966667

Classify New Samples

用predict()方法来分类新的样本，比如，你有下面的两个新样本：

predict方法返回一个generator，可以转换成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))

结果大致如下：

New Samples, Class Predictions: [1 2]