我是一个很懒的人，我想试试
希望我能坚持到最后，把tensorflow的官方教程全部翻译出来
提高自己，也帮助他人
我的博客：终身学习者
tf.estimator Quickstart
TensorFlow 的高层次机器学习 API(tf.estimator) 使得配置，训练，和评估各种各样的机器学习模型变得更加的容易。在本教程中，你将使用 tf.estimator 构造一个神经网络分类器，在 Iris 数据集 上训练，并通过花的萼片和花瓣的几何形状预测花的品种。你将编写代码来实现以下五个步骤：
- 读取包含 Iris 训练/测试数据的 CSVs 数据格式，到TensorFlow
Dataset - 构造一个 神经网络分类器
- 使用训练数据训练模型
- 评估模型的准确性
- 分类新的样本
注意：请在开始本教程前， 安装 TensorFlow 到你的机器上
Complete Neural Network Source Code
以下是神经网络分类器的完整代码：
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()
以下部分将详细介绍代码细节。
Load the Iris CSV data to TensorFlow
Iris 数据集 包含了 150 行数据，三种相关的 Iris 品种，每种 Iris 品种有 50 个样本： Iris setosa，Iris virginica，和Iris versicolor 。
对于每个花朵样本，每一行都包含了以下数据：萼片长度，萼片宽度， 花瓣长度，花瓣宽度和花的品种。花的品种用整数型数字表示，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 数据随机打乱并划分成两个独立的 CSV 数据集：
- 包含 120 个样本的训练集 (iris_training.csv)
- 包含 30 个样本的测试集 (iris_test.csv)
开始前，首先 import 进所有的需要的模块，并定义哪里下载数据和存储数据集：
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，如果训练和测试数据集不总是存在于本地，那么下载它们。
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() 方法读取训练和测试数据集，加载到 Dataset 中。load_csv_with_header() 方法带有三个必要的参数：
-
filename, 它从 CSV 文件得到文件路径 -
target_dtype, 它采用数据集目标值的numpy数据类型 -
features_dtype, 它采用数据集特征值的numpy数据类型
在这里，目标(值是你训练的模型的预测)是花的品种，它是一个从 0 到 2 的整数，所以合适的numpy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)
Dataset 在 tf.contrib.learn 中名为元组；你可以通过 data 和target字段访问特征数据和目标值。这里， training_set.data 和 training_set.target 分别包含了训练集的特征数据和特征值，而 test_set.data 和test_set.target 分别包含了测试集的特征数据和目标值。
稍后，在 "Fit the DNNClassifier to the Iris Training Data," 你将使用training_set.data 和 training_set.target训练你的模型，在"Evaluate Model Accuracy," 你将使用 test_set.data 和 test_set.target。但首先，你将在下一节中构造你的模型。
Construct a Deep Neural Network Classifier
tf.estimator 提供了各种预定义的模型，称为Estimator，你可以使用"开箱即用"对你的数据运行训练和评估操作。在这里，你将配置一个深度神经网络分类器模型来适应 Iris 数据。使用 tf.estimator，你可以通过两行代码来实例化你的 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")
上面的代码首先定义了模型的特征列，指定了数据集中的特征的数据类型。所有的特征数据都是连续的，所以tf.feature_column.numeric_column 是用于构造特征列的适当函数。这里有四个特征在数据集中(萼片宽度，萼片长度，花瓣宽度和花瓣长度)，于是shape 必须设置为[4]以适应所有的数据。
然后，代码使用以下参数创建了一个 DNNClassifier 模型：
-
feature_columns=feature_columns。上面定义的一组特征列。 -
hidden_units=[10, 20, 10]。三个 隐藏层，分别包含 10，20 和 10 神经元。 -
n_classes=3。三个目标分类，代表三种 Iris 品种。 -
model_dir=/tmp/iris_model。TensorFlow 将在模型训练期间保存检测数据和 TensorBoard 摘要的目录。
Describe the training input pipeline
tf.estimator API 使用输入函数，创建了为了模型生成数据的 TensorFlow 操作。我们可以使用tf.estimator.inputs.numpy_input_fn来产生输入管道：
# 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
现在，你已经配置了你的 DNN classifier 模型，你可以使用 train 方法将模型拟合 Iris 训练数据。将 train_input_fn 传递给input_fn，并设置训练的次数(这里是 2000)：
# Train model.
classifier.train(input_fn=train_input_fn, steps=2000)
模型的状态是保存在classifier，这意味着如果你喜欢你可以迭代训练模型。例如，以上代码等同于以下代码：
classifier.train(input_fn=train_input_fn, steps=1000)
classifier.train(input_fn=train_input_fn, steps=1000)
然而，如果你希望在训练的过程中跟踪模型，则你可能更需要使用TensorFlow 的 SessionRunHook 来执行日志操作记录。
Evaluate Model Accuracy
你已经在 Iris 训练数据上训练了你的DNNClassifier模型。现在你可以在 Iris 测试数据上使用 evaluate 方法来检测模型的准确性。像train那样，evaluate 使用输入函数构建它的输入管道。evaluate返回一个包含评估结果的dict。以下代码传递 Iris 测试数据——test_set.data 和 test_set.target 到evaluate 并从结果中打印 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：在这里 numpy_input_fn 中参数num_epochs=1 是很重要的。test_input_fn 将迭代数据一次，然后触发OutOfRangeError。这个错误表示分类器停止评估，所以它将对输入只评估一次。
当你运行整个脚本，它将打印类似下面的数字：
Test Accuracy: 0.966667
你的准确性结果可能会有一点不同，但是应该高于 90%。对于一个相对较小的数据集来说这并不算太差！
Classify New Samples
使用 estimator 的 predict() 方法来分类新的样本。例如，假如你有这两个新的花的样本：
| 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() 方法预测它们的品种。 predict返回一个dict，你可以简单的将其转为 list 。以下代码检索并打印预测的类：
# 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))
你的结果看起来如下：
New Samples, Class Predictions: [1 2]
因此你的模型预测了第一个样本是Iris versicolor，而第二个样本是 Iris virginica。
Additional Resources
- 欲了解更多有关使用 tf.estimator 创建线性模型，请查阅 Large-scale Linear Models with TensorFlow。
- 要使用 tf.estimator APIs 构建你子集的 Estimator，请查阅Creating Estimators in tf.estimator 。
- 为了在浏览器中实现神经网络建模并可视化，请查阅Deep Playground。
- 有关神经网络更高级的教程，请查阅 Convolutional Neural Networks 和Recurrent Neural Networks。