我是一個(gè)很懶的人，我想試試

希望我能堅(jiān)持到最后，把tensorflow的官方教程全部翻譯出來

提高自己，也幫助他人

我的博客：終身學(xué)習(xí)者

tf.estimator Quickstart

TensorFlow 的高層次機(jī)器學(xué)習(xí) API(tf.estimator) 使得配置，訓(xùn)練，和評估各種各樣的機(jī)器學(xué)習(xí)模型變得更加的容易。在本教程中，你將使用 tf.estimator 構(gòu)造一個(gè)神經(jīng)網(wǎng)絡(luò)分類器，在 Iris 數(shù)據(jù)集上訓(xùn)練，并通過花的萼片和花瓣的幾何形狀預(yù)測花的品種。你將編寫代碼來實(shí)現(xiàn)以下五個(gè)步驟：

讀取包含 Iris 訓(xùn)練/測試數(shù)據(jù)的 CSVs 數(shù)據(jù)格式，到TensorFlow Dataset
構(gòu)造一個(gè) 神經(jīng)網(wǎng)絡(luò)分類器
使用訓(xùn)練數(shù)據(jù)訓(xùn)練模型
評估模型的準(zhǔn)確性
分類新的樣本

注意：請?jiān)陂_始本教程前，安裝 TensorFlow 到你的機(jī)器上

Complete Neural Network Source Code

以下是神經(jīng)網(wǎng)絡(luò)分類器的完整代碼：

from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

import os
from six.moves.urllib.request import urlopen

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 = urlopen(IRIS_TRAINING_URL).read()
    with open(IRIS_TRAINING, "wb") as f:
      f.write(raw)

  if not os.path.exists(IRIS_TEST):
    raw = urlopen(IRIS_TEST_URL).read()
    with open(IRIS_TEST, "wb") 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.feature_column.numeric_column("x", shape=[4])]

  # Build 3 layer DNN with 10, 20, 10 units respectively.
  classifier = tf.estimator.DNNClassifier(feature_columns=feature_columns,
                                          hidden_units=[10, 20, 10],
                                          n_classes=3,
                                          model_dir="/tmp/iris_model")
  # Define the training inputs
  train_input_fn = tf.estimator.inputs.numpy_input_fn(
      x={"x": np.array(training_set.data)},
      y=np.array(training_set.target),
      num_epochs=None,
      shuffle=True)

  # Train model.
  classifier.train(input_fn=train_input_fn, steps=2000)

  # Define the test inputs
  test_input_fn = tf.estimator.inputs.numpy_input_fn(
      x={"x": np.array(test_set.data)},
      y=np.array(test_set.target),
      num_epochs=1,
      shuffle=False)

  # Evaluate accuracy.
  accuracy_score = classifier.evaluate(input_fn=test_input_fn)["accuracy"]

  print("\nTest Accuracy: {0:f}\n".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=np.float32)
  predict_input_fn = tf.estimator.inputs.numpy_input_fn(
      x={"x": new_samples},
      num_epochs=1,
      shuffle=False)

  predictions = list(classifier.predict(input_fn=predict_input_fn))
  predicted_classes = [p["classes"] for p in predictions]

  print(
      "New Samples, Class Predictions:    {}\n"
      .format(predicted_classes))

if __name__ == "__main__":
    main()

以下部分將詳細(xì)介紹代碼細(xì)節(jié)。

Load the Iris CSV data to TensorFlow

Iris 數(shù)據(jù)集包含了 150 行數(shù)據(jù)，三種相關(guān)的 Iris 品種，每種 Iris 品種有 50 個(gè)樣本： Iris setosa，Iris virginica，和Iris versicolor 。

Petal geometry compared for three iris species: Iris setosa, Iris virginica, and Iris versicolor

從左到右， Iris setosa (by Radomil, CC BY-SA 3.0)，Iris versicolor (by Dlanglois, CC BY-SA 3.0)，和 Iris virginica(by Frank Mayfield, CC BY-SA 2.0).

對于每個(gè)花朵樣本，每一行都包含了以下數(shù)據(jù)：萼片長度，萼片寬度，花瓣長度，花瓣寬度和花的品種。花的品種用整數(shù)型數(shù)字表示，0表示Iris setosa，1表示Iris versicolor 。

Sepal Length	Sepal Width	Petal Length	Petal Width	Species
5.1	3.5	1.4	0.2	0
4.9	3.0	1.4	0.2	0
4.7	3.2	1.3	0.2	0
…	…	…	…	…
7.0	3.2	4.7	1.4	1
6.4	3.2	4.5	1.5	1
6.9	3.1	4.9	1.5	1
…	…	…	…	…
6.5	3.0	5.2	2.0	2
6.2	3.4	5.4	2.3	2
5.9	3.0	5.1	1.8	2

本教程中，Iris 數(shù)據(jù)隨機(jī)打亂并劃分成兩個(gè)獨(dú)立的 CSV 數(shù)據(jù)集：

包含 120 個(gè)樣本的訓(xùn)練集 (iris_training.csv)
包含 30 個(gè)樣本的測試集 (iris_test.csv)

開始前，首先 import 進(jìn)所有的需要的模塊，并定義哪里下載數(shù)據(jù)和存儲(chǔ)數(shù)據(jù)集：

from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

import os
from six.moves.urllib.request import urlopen

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，如果訓(xùn)練和測試數(shù)據(jù)集不總是存在于本地，那么下載它們。

if not os.path.exists(IRIS_TRAINING):
  raw = urlopen(IRIS_TRAINING_URL).read()
  with open(IRIS_TRAINING,'wb') as f:
    f.write(raw)

if not os.path.exists(IRIS_TEST):
  raw = urlopen(IRIS_TEST_URL).read()
  with open(IRIS_TEST,'wb') as f:
    f.write(raw)

下一步，使用 learn.datasets.base 中的load_csv_with_header() 方法讀取訓(xùn)練和測試數(shù)據(jù)集，加載到 Dataset 中。load_csv_with_header() 方法帶有三個(gè)必要的參數(shù)：

filename, 它從 CSV 文件得到文件路徑
target_dtype, 它采用數(shù)據(jù)集目標(biāo)值的 numpy 數(shù)據(jù)類型
features_dtype, 它采用數(shù)據(jù)集特征值的 numpy 數(shù)據(jù)類型

在這里，目標(biāo)(值是你訓(xùn)練的模型的預(yù)測)是花的品種，它是一個(gè)從 0 到 2 的整數(shù)，所以合適的numpy數(shù)據(jù)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)

Dataset 在 tf.contrib.learn 中名為元組；你可以通過 data 和target字段訪問特征數(shù)據(jù)和目標(biāo)值。這里， training_set.data 和 training_set.target 分別包含了訓(xùn)練集的特征數(shù)據(jù)和特征值，而 test_set.data 和test_set.target 分別包含了測試集的特征數(shù)據(jù)和目標(biāo)值。

稍后，在 "Fit the DNNClassifier to the Iris Training Data," 你將使用training_set.data 和 training_set.target訓(xùn)練你的模型，在"Evaluate Model Accuracy," 你將使用 test_set.data 和 test_set.target。但首先，你將在下一節(jié)中構(gòu)造你的模型。

Construct a Deep Neural Network Classifier

tf.estimator 提供了各種預(yù)定義的模型，稱為Estimator，你可以使用"開箱即用"對你的數(shù)據(jù)運(yùn)行訓(xùn)練和評估操作。在這里，你將配置一個(gè)深度神經(jīng)網(wǎng)絡(luò)分類器模型來適應(yīng) Iris 數(shù)據(jù)。使用 tf.estimator，你可以通過兩行代碼來實(shí)例化你的 tf.estimator.DNNClassifier ：

# Specify that all features have real-value data
feature_columns = [tf.feature_column.numeric_column("x", shape=[4])]

# Build 3 layer DNN with 10, 20, 10 units respectively.
classifier = tf.estimator.DNNClassifier(feature_columns=feature_columns,
                                        hidden_units=[10, 20, 10],
                                        n_classes=3,
                                        model_dir="/tmp/iris_model")

上面的代碼首先定義了模型的特征列，指定了數(shù)據(jù)集中的特征的數(shù)據(jù)類型。所有的特征數(shù)據(jù)都是連續(xù)的，所以tf.feature_column.numeric_column 是用于構(gòu)造特征列的適當(dāng)函數(shù)。這里有四個(gè)特征在數(shù)據(jù)集中(萼片寬度，萼片長度，花瓣寬度和花瓣長度)，于是shape 必須設(shè)置為[4]以適應(yīng)所有的數(shù)據(jù)。

然后，代碼使用以下參數(shù)創(chuàng)建了一個(gè) DNNClassifier 模型：

feature_columns=feature_columns。上面定義的一組特征列。
hidden_units=[10, 20, 10]。三個(gè) 隱藏層，分別包含 10，20 和 10 神經(jīng)元。
n_classes=3。三個(gè)目標(biāo)分類，代表三種 Iris 品種。
model_dir=/tmp/iris_model。TensorFlow 將在模型訓(xùn)練期間保存檢測數(shù)據(jù)和 TensorBoard 摘要的目錄。

Describe the training input pipeline

tf.estimator API 使用輸入函數(shù)，創(chuàng)建了為了模型生成數(shù)據(jù)的 TensorFlow 操作。我們可以使用tf.estimator.inputs.numpy_input_fn來產(chǎn)生輸入管道：

# Define the training inputs
train_input_fn = tf.estimator.inputs.numpy_input_fn(
    x={"x": np.array(training_set.data)},
    y=np.array(training_set.target),
    num_epochs=None,
    shuffle=True)

Fit the DNNClassifier to the Iris Training Data

現(xiàn)在，你已經(jīng)配置了你的 DNN classifier 模型，你可以使用 train 方法將模型擬合 Iris 訓(xùn)練數(shù)據(jù)。將 train_input_fn 傳遞給input_fn，并設(shè)置訓(xùn)練的次數(shù)(這里是 2000)：

# Train model.
classifier.train(input_fn=train_input_fn, steps=2000)

模型的狀態(tài)是保存在classifier，這意味著如果你喜歡你可以迭代訓(xùn)練模型。例如，以上代碼等同于以下代碼：

classifier.train(input_fn=train_input_fn, steps=1000)
classifier.train(input_fn=train_input_fn, steps=1000)

然而，如果你希望在訓(xùn)練的過程中跟蹤模型，則你可能更需要使用TensorFlow 的 SessionRunHook 來執(zhí)行日志操作記錄。

Evaluate Model Accuracy

你已經(jīng)在 Iris 訓(xùn)練數(shù)據(jù)上訓(xùn)練了你的DNNClassifier模型?，F(xiàn)在你可以在 Iris 測試數(shù)據(jù)上使用 evaluate 方法來檢測模型的準(zhǔn)確性。像train那樣，evaluate 使用輸入函數(shù)構(gòu)建它的輸入管道。evaluate返回一個(gè)包含評估結(jié)果的dict。以下代碼傳遞 Iris 測試數(shù)據(jù)——test_set.data 和 test_set.target 到evaluate 并從結(jié)果中打印 accuracy ：

# Define the test inputs
test_input_fn = tf.estimator.inputs.numpy_input_fn(
    x={"x": np.array(test_set.data)},
    y=np.array(test_set.target),
    num_epochs=1,
    shuffle=False)

# Evaluate accuracy.
accuracy_score = classifier.evaluate(input_fn=test_input_fn)["accuracy"]

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

注意：在這里 numpy_input_fn 中參數(shù)num_epochs=1 是很重要的。test_input_fn 將迭代數(shù)據(jù)一次，然后觸發(fā)OutOfRangeError。這個(gè)錯(cuò)誤表示分類器停止評估，所以它將對輸入只評估一次。

當(dāng)你運(yùn)行整個(gè)腳本，它將打印類似下面的數(shù)字：

Test Accuracy: 0.966667

你的準(zhǔn)確性結(jié)果可能會(huì)有一點(diǎn)不同，但是應(yīng)該高于 90%。對于一個(gè)相對較小的數(shù)據(jù)集來說這并不算太差！

Classify New Samples

使用 estimator 的 predict() 方法來分類新的樣本。例如，假如你有這兩個(gè)新的花的樣本：

Sepal Length	Sepal Width	Petal Length	Petal Width
6.4	3.2	4.5	1.5
5.8	3.1	5.0	1.7

你可以使用predict() 方法預(yù)測它們的品種。 predict返回一個(gè)dict，你可以簡單的將其轉(zhuǎn)為 list 。以下代碼檢索并打印預(yù)測的類：

# 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=np.float32)
predict_input_fn = tf.estimator.inputs.numpy_input_fn(
    x={"x": new_samples},
    num_epochs=1,
    shuffle=False)

predictions = list(classifier.predict(input_fn=predict_input_fn))
predicted_classes = [p["classes"] for p in predictions]

print(
    "New Samples, Class Predictions:    {}\n"
    .format(predicted_classes))

你的結(jié)果看起來如下：

New Samples, Class Predictions:    [1 2]

因此你的模型預(yù)測了第一個(gè)樣本是Iris versicolor，而第二個(gè)樣本是 Iris virginica。

Additional Resources

欲了解更多有關(guān)使用 tf.estimator 創(chuàng)建線性模型，請查閱 Large-scale Linear Models with TensorFlow。
要使用 tf.estimator APIs 構(gòu)建你子集的 Estimator，請查閱Creating Estimators in tf.estimator 。
為了在瀏覽器中實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)建模并可視化，請查閱Deep Playground。
有關(guān)神經(jīng)網(wǎng)絡(luò)更高級的教程，請查閱 Convolutional Neural Networks 和Recurrent Neural Networks。

三个男躁一个女,国精产品一区一手机的秘密,麦子交换系列最经典十句话,欧美国产综合欧美视频

tf.estimator 快速入門

tf.estimator 快速入門

tf.estimator Quickstart

Complete Neural Network Source Code

Load the Iris CSV data to TensorFlow

Construct a Deep Neural Network Classifier

Describe the training input pipeline

Fit the DNNClassifier to the Iris Training Data

Evaluate Model Accuracy

Classify New Samples

Additional Resources

推薦閱讀更多精彩內(nèi)容

Sepal Length	Sepal Width	Petal Length	Petal Width	Species
5.1	3.5	1.4	0.2	0
4.9	3.0	1.4	0.2	0
4.7	3.2	1.3	0.2	0
…	…	…	…	…
7.0	3.2	4.7	1.4	1
6.4	3.2	4.5	1.5	1
6.9	3.1	4.9	1.5	1
…	…	…	…	…
6.5	3.0	5.2	2.0	2
6.2	3.4	5.4	2.3	2
5.9	3.0	5.1	1.8	2

Sepal Length	Sepal Width	Petal Length	Petal Width	Species
5.1	3.5	1.4	0.2	0
4.9	3.0	1.4	0.2	0
4.7	3.2	1.3	0.2	0
…	…	…	…	…
7.0	3.2	4.7	1.4	1
6.4	3.2	4.5	1.5	1
6.9	3.1	4.9	1.5	1
…	…	…	…	…
6.5	3.0	5.2	2.0	2
6.2	3.4	5.4	2.3	2
5.9	3.0	5.1	1.8	2

三个男躁一个女,国精产品一区一手机的秘密,麦子交换系列最经典十句话,欧美 国产 综合 欧美 视频

tf.estimator 快速入門

tf.estimator Quickstart

Complete Neural Network Source Code

Load the Iris CSV data to TensorFlow

Construct a Deep Neural Network Classifier

Describe the training input pipeline

Fit the DNNClassifier to the Iris Training Data

Evaluate Model Accuracy

Classify New Samples

Additional Resources

推薦閱讀更多精彩內(nèi)容

三个男躁一个女,国精产品一区一手机的秘密,麦子交换系列最经典十句话,欧美国产综合欧美视频

Sepal Length	Sepal Width	Petal Length	Petal Width	Species
5.1	3.5	1.4	0.2	0
4.9	3.0	1.4	0.2	0
4.7	3.2	1.3	0.2	0
…	…	…	…	…
7.0	3.2	4.7	1.4	1
6.4	3.2	4.5	1.5	1
6.9	3.1	4.9	1.5	1
…	…	…	…	…
6.5	3.0	5.2	2.0	2
6.2	3.4	5.4	2.3	2
5.9	3.0	5.1	1.8	2