前言

根據(jù)官方文檔整理而來的，主要是對Iris數(shù)據(jù)集進(jìn)行分類。使用tf.contrib.learn.tf.contrib.learn快速搭建一個(gè)深層網(wǎng)絡(luò)分類器，

步驟

導(dǎo)入csv數(shù)據(jù)

搭建網(wǎng)絡(luò)分類器

訓(xùn)練網(wǎng)絡(luò)

計(jì)算測試集正確率

對新樣本進(jìn)行分類

數(shù)據(jù)

Iris數(shù)據(jù)集包含150行數(shù)據(jù)，有三種不同的Iris品種分類。每一行數(shù)據(jù)給出了四個(gè)特征信息和一個(gè)分類信息。
現(xiàn)在已經(jīng)將數(shù)據(jù)分為訓(xùn)練集和測試集

• A training set of 120 samples (iris_training.csv)
• A test set of 30 samples (iris_test.csv)

網(wǎng)絡(luò)搭建

1. 首先，導(dǎo)入tensorflow 和 numpy

from __future__ import absolute_import

from __future__ import division

from __future__ import print_function

import tensorflow as tf

import numpy as np

2. 導(dǎo)入數(shù)據(jù)

# 定義數(shù)據(jù)地址

IRIS_TRAINING = "iris_training.csv"

IRIS_TEST = "iris_test.csv"

# 導(dǎo)入數(shù)據(jù)

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)

load_csv_with_header() 有三個(gè)參數(shù)

• filename, 數(shù)據(jù)地址
• target_dtype, 目標(biāo)值的numpy datatype（iris的目標(biāo)值是0，1，2，所以是np.int）
• features_dtype, 特征值的numpy datatype .

3. 搭建網(wǎng)絡(luò)結(jié)構(gòu)

# 每行數(shù)據(jù)4個(gè)特征，都是real-value的

feature_columns = [tf.contrib.layers.real_valued_column("", dimension=4)]

# 3層DNN，3分類問題

classifier = tf.contrib.learn.DNNClassifier(feature_columns=feature_columns,

hidden_units=[10, 20, 10],

n_classes=3,

model_dir="iris_model")

參數(shù)解釋

• feature_columns 特征值
• hidden_units=[10, 20, 10]. 3個(gè)隱藏層,包含的隱藏神經(jīng)元依次是10, 20, 10
• n_classes 類別個(gè)數(shù)
• model_dir 模型保存地址

4. 訓(xùn)練數(shù)據(jù)

classifier.fit(x=training_set.data, y=training_set.target, steps=2000)

steps 為訓(xùn)練次數(shù)

5. 計(jì)算準(zhǔn)確率

accuracy_score = classifier.evaluate(x=test_set.data, y=test_set.target)["accuracy"]

print('Accuracy: {0:f}'.format(accuracy_score))

運(yùn)行結(jié)果是

Accuracy: 0.966667

6. 對新樣本進(jìn)行預(yù)測

# 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=float)

y = list(classifier.predict(new_samples, as_iterable=True))

print('Predictions: {}'.format(str(y)))

運(yùn)行結(jié)果為：

Prediction: [1 2]

完整代碼

from __future__ import absolute_import

from __future__ import division

from __future__ import print_function

import tensorflow as tf

import numpy as np

IRIS_TRAINING = "iris_training.csv"

IRIS_TEST = "iris_test.csv"

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)

feature_columns = [tf.contrib.layers.real_valued_column("", dimension=4)]

classifier = tf.contrib.learn.DNNClassifier(feature_columns=feature_columns,

hidden_units=[10, 20, 10],

n_classes=3,

model_dir="iris_model")

classifier.fit(x=training_set.data,

y=training_set.target,

steps=2000)

accuracy_score = classifier.evaluate(x=test_set.data,

y=test_set.target)["accuracy"]

print('Accuracy: {0:f}'.format(accuracy_score))

new_samples = np.array(

[[6.4, 3.2, 4.5, 1.5], [5.8, 3.1, 5.0, 1.7]], dtype=float)

y = list(classifier.predict(new_samples, as_iterable=True))

print('Predictions: {}'.format(str(y)))

參考

• tf.contrib.learn Quickstart
• tf.contrib.learn API

原文地址：　http://www.datalearner.com/blog/1051488938031745

總結(jié)

以上是生活随笔為你收集整理的TFboys：使用Tensorflow搭建深层网络分类器的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。