【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：

1. CRIM per capita crime rate by town
2. ZN proportion of residential land zoned for lots over 25,000 sq.ft.
3. INDUS proportion of non-retail business acres per town
4. CHAS Charles River dummy variable (= 1 if tract bounds river; 0 otherwise)
5. NOX nitric oxides concentration (parts per 10 million)
6. RM average number of rooms per dwelling
7. AGE proportion of owner-occupied units built prior to 1940
8. DIS weighted distances to five Boston employment centres
9. RAD index of accessibility to radial highways
10. TAX full-value property-tax rate per $10,000
11. PTRATIO pupil-teacher ratio by town
12. B 1000(Bk - 0.63)^2 where Bk is the proportion of blacks by town
13. LSTAT % lower status of the population
14. 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：

1. 载入数据
2. 定义 FeatureColumn
3. 定义 regressor
4. 训练
5. 评估
6. 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, label


def 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  31.12402344
  37.50260925  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