使用TFLearn自定义模型：TFLearn集成在了tf.contirb.learn里
使用TFLearn解决iris分类问题:
from sklearn import model_selection from sklearn import datasets from sklearn import metrics import tensorflow as tf import numpy as np from tensorflow.contrib.learn.python.learn.estimators.estimator import SKCompat # 导入TFLearn learn = tf.contrib.learn # 自定义模型，对于给定的输入数据（features）和其对应的标签（target），返回在这些输入上的预测值、损失值。 def my_model(features,target): # 将预测的目标转换为one-hot编码的形式，因为共有三个类别，所以向量长度为3。经过转化后的类别向量分别为： #(1,0,0),(0,1,0),(0,0,1) target=tf.one_hot(target,3,1,0) # 计算预测值及损失函数。 logits = tf.contrib.layers.fully_connected(features, 3, tf.nn.softmax) loss = tf.losses.softmax_cross_entropy(target, logits) # 创建模型的优化器，并得到优化步骤 train_op=tf.contrib.layers.optimize_loss( loss, # 损失函数 tf.contrib.framework.get_global_step(), # 获取训练步数并在训练时更新 optimizer='Adam', # 定义优化器 learning_rate=0.1) # 定义学习率 # 返回指定数据集上的预测结果，损失值以及优化步骤。 return tf.arg_max(logits, 1), loss, train_op # 加载iris数据集，并划分为训练集合和测试集合 iris = datasets.load_iris() x_train, x_test, y_train, y_test = model_selection.train_test_split( iris.data, iris.target, test_size=0.2, random_state=0) x_train, x_test = map(np.float32, [x_train, x_test]) # 对自定义模型进行封装 classifier = SKCompat(learn.Estimator(model_fn=my_model, model_dir="model_1")) # 使用封装好的模型和训练数据执行100轮迭代 classifier.fit(x_train, y_train, steps=800) # 使用训练好的模型进行预测 y_predicted = [i for i in classifier.predict(x_test)] # 计算模型的准确率 score = metrics.accuracy_score(y_test, y_predicted) print('Accuracy: %.2f%%' % (score * 100))
预测正弦函数：
import numpy as np import tensorflow as tf from tensorflow.contrib.learn.python.learn.estimators.estimator import SKCompat import matplotlib as mpl mpl.use('Agg') from matplotlib import pyplot as plt learn=tf.contrib.learn HIDDEN_SIZE = 30 # LSTM中隐藏节点的个数 NUM_LAYERS = 2 # LSTM的层数 TIMESTEPS = 10 # 循环神经网络的截断长度 TRAINING_STEPS = 10000 # 训练轮数 BATCH_SIZE = 32 TRAINING_EXAMPLES = 10000 # 训练数据个数 TESTING_EXAMPLES = 1000 # 测试数据个数 SAMPLE_GAP = 0.01 # 采样间隔 def generate_data(seq): X = [] Y = [] # 序列的第i项和后面的TIMESTEPS-1项合在一起作为输入；第i+TIMESTEPS项作为输出。即用sin函数前面的TIMESTEPS个点的信息， # 预测第i+TIMESTEPS个点的函数值。 for i in range(len(seq) - TIMESTEPS - 1): X.append([seq[i:i + TIMESTEPS]]) Y.append([seq[i + TIMESTEPS]]) return np.array(X, dtype=np.float32), np.array(Y, dtype=np.float32) def LstmCell(): lstm_cell = tf.contrib.rnn.BasicLSTMCell(HIDDEN_SIZE,state_is_tuple=True) return lstm_cell def lstm_model(X, y): # 使用多层的lstm结构 cell = tf.contrib.rnn.MultiRNNCell([LstmCell() for _ in range(NUM_LAYERS)]) # 使用tensorflow接口将多层的LSTM结构连接成RNN网络并计算其前向传播结果。 output, _ = tf.nn.dynamic_rnn(cell, X, dtype=tf.float32) output = tf.reshape(output, [-1, HIDDEN_SIZE]) # 通过无激活函数的全联接层计算线性回归，并将数据压缩成一维数组的结构。 predictions = tf.contrib.layers.fully_connected(output, 1, None) # 将predictions和labels调整统一的shape labels = tf.reshape(y, [-1]) predictions=tf.reshape(predictions, [-1]) loss = tf.losses.mean_squared_error(predictions, labels) # 创建模型优化器并得到优化步骤 train_op=tf.contrib.layers.optimize_loss(loss,tf.contrib.framework.get_global_step(), optimizer='Adagrad',learning_rate=0.1) return predictions,loss,train_op # 封装之前定义的lstm。 regressor = SKCompat(learn.Estimator(model_fn=lstm_model,model_dir="model_2")) # 用正弦函数生成训练和测试数据 test_start=TRAINING_EXAMPLES*SAMPLE_GAP test_end=(TRAINING_EXAMPLES+TESTING_EXAMPLES)*SAMPLE_GAP train_X,train_y=generate_data(np.sin(np.linspace(0,test_start,TRAINING_EXAMPLES,dtype=np.float32))) test_X,test_y=generate_data(np.sin(np.linspace(test_start,test_end,TESTING_EXAMPLES,dtype=np.float32))) # 调用fit函数训练模型 regressor.fit(train_X,train_y,batch_size=BATCH_SIZE,steps=TRAINING_STEPS) # 预测 predicted=[[pred] for pred in regressor.predict(test_X)] # 计算rmse作为评价指标 rmse=np.sqrt(((predicted-test_y)**2).mean(axis=0)) print('Mean Square Error is: {}'.format(rmse[0])) # 对预测的sin函数曲线进行绘图
%matplotlib inline
plot_predicted, = plt.plot(predicted, label='predicted',color='red')
plot_test, = plt.plot(test_y-0.1, label='real_sin',color='green')
plt.legend([plot_predicted, plot_test],['predicted', 'real_sin'])
plt.show()