TensorFlow 的简化接口 Scikit Flow

Scikit Flow 是 TensorFlow 的简化接口，模仿 Scikit 学习，让用户可以在预测分析和数据挖掘中使用。

源代码在：https://github.com/google/skflow

为什么使用 TensorFlow？

• TensorFlow 提供构建各种不同类型机器学习应用的核心

• 会继续在分布式方向和常规管道机器中进行创新

为什么使用 Scikit Flow？

• 可以平滑的从单向机器学习 Scikit Learn 过渡到更开放的，可以构建不同类型的 ML 模型。用户可以通过 fit/predict 和切换到 TensorFlow APIs。
  

• 提供一系列的参考模型，方便与现有的代码集成。

Linear Classifier

?

1 2 3 4 5 6 7

import skflow from sklearn import datasets, metrics iris = datasets.load_iris() classifier = skflow.TensorFlowLinearClassifier(n_classes = 3 ) classifier.fit(iris.data, iris.target) score = metrics.accuracy_score(classifier.predict(iris.data), iris.target) print ( "Accuracy: %f" % score)

Linear Regressor

?

1 2 3 4 5 6 7 8 9

import skflow from sklearn import datasets, metrics, preprocessing boston = datasets.load_boston() X = preprocessing.StandardScaler().fit_transform(boston.data) regressor = skflow.TensorFlowLinearRegressor() regressor.fit(X, boston.target) score = metrics.mean_squared_error(regressor.predict(X), boston.target) print ( "MSE: %f" % score)

Deep Neural Network

?

1 2 3 4 5 6 7 8

import skflow from sklearn import datasets, metrics iris = datasets.load_iris() classifier = skflow.TensorFlowDNNClassifier(hidden_units = [ 10 , 20 , 10 ], n_classes = 3 ) classifier.fit(iris.data, iris.target) score = metrics.accuracy_score(classifier.predict(iris.data), iris.target) print ( "Accuracy: %f" % score)

Custom model

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14

import skflow from sklearn import datasets, metrics iris = datasets.load_iris() def my_model(X, y): """This is DNN with 10, 20, 10 hidden layers, and dropout of 0.5 probability.""" layers = skflow.ops.dnn(X, [ 10 , 20 , 10 ], keep_prob = 0.5 ) return skflow.models.logistic_regression(layers, y) classifier = skflow.TensorFlowEstimator(model_fn = my_model, n_classes = 3 ) classifier.fit(iris.data, iris.target) score = metrics.accuracy_score(classifier.predict(iris.data), iris.target) print ( "Accuracy: %f" % score)

未来计划

• 更好的处理类别变量
  

• 文本分类
  

• 图像 (CNNs)

• 更多 & 更深