翻译自https://www.tensorflow.org/get_started/tflearn
tf的高级API能够更简单的配置、训练和评估多种机器学习模型，本文将介绍如何构建神经网络分类器，并在iris数据集上训练，用花萼和花瓣的集合结构来预测花的种类。有以下几个步骤：
载入包含iris训练测试数据的 CSVs 到 tf 的Dataset
构建神经网络分类器
用训练数据 Fit 模型
评估模型精度
分类新样本
iris数据被分为两部分
A training set of 120 samples (iris_training.csv)
A test set of 30 samples (iris_test.csv).
- 导入所有的库
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function
import os
import urllib
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"
Then, if the training and test sets aren't already stored locally, download them.
if not os.path.exists(IRIS_TRAINING):
raw = urllib.urlopen(IRIS_TRAINING_URL).read()
with open(IRIS_TRAINING,'w') as f:
f.write(raw)
if not os.path.exists(IRIS_TEST):
raw = urllib.urlopen(IRIS_TEST_URL).read()
with open(IRIS_TEST,'w') as f:
f.write(raw)
- 载入训练数据和测试数据到 Dataset ，使用
load_csv_with_header()。由于最后的分类是整形数，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)
training_set.data and training_set.target,test_set.dataandtest_set.target 包含训练和测试数据
- 构建深度神经网络分类器
tf.contrib.learn提供了多种预先定义好的模型，叫做Estimator，他们可以直接用在基于你自己数据的训练和评估操作。首先，我们来配置一个深度神经网络分类器来fit iris数据。你可以用以下几行代码来实例化一个分类器：
# Specify that all features have real-value data
feature_columns = [tf.contrib.layers.real_valued_column("", dimension=4)]
# Build 3 layer DNN with 10, 20, 10 units respectively.
classifier = tf.contrib.learn.DNNClassifier(feature_columns=feature_columns,
hidden_units=[10, 20, 10],
n_classes=3,
model_dir="/tmp/iris_model")
以上代码首先定义了模型的特征列，并且指定了数据类型。所有的特征feature数据都是连续型，所以适合用tf.contrib.layers.real_valued_column来构建特征列，数据集里有4个特征维度sepal width, sepal height, petal width, and petal height，所以相应的维度需要设置为4.
- 描述训练输入流程
tf.contrib.learn 的API使用 为模型生成数据的TF 操作 作为输入函数。本例中数据很小，可以直接储存在tf.constant ，下面的代码实现最简单的输入流程：
# Define the train inputs
def get_train_inputs():
x = tf.constant(training_set.data)
y = tf.constant(training_set.target)
return x, y
- Fit the DNNClassifier to the Iris Training Data
现在你已经配置好了你的DNN分类模型，你可以用fit方法来 训练你的数据， 传入get_train_inputs作为input_fn，还要传入训练的步数。
# Fit model.
classifier.fit(input_fn=get_train_inputs, steps=2000)
模型的状态被保存在classifier中，这就意味着你可以迭代的训练，例如，上面的代码等价于下面的
classifier.fit(x=training_set.data, y=training_set.target, steps=1000)
classifier.fit(x=training_set.data, y=training_set.target, steps=1000)
然而你要追踪模型的训练过程，你需要使用TF的monitor来进行记录操作。See the tutorial “Logging and Monitoring Basics with tf.contrib.learn” for more on this topic.
- 评估模型精度
你已经在iris数据集上训练过了DNNClassifier 模型，现在你可以使用evaluate方法检查他在测试集上的精度了。和fit方法一样，evaluate方法也要一个输入函数作为他的输入流程。evaluate方法返回一个包含评估结果的字典。下面的代码传入iris测试集test_set.data and test_set.target给evaluate，然后打印出来精度：
# Define the test inputs
def get_test_inputs():
x = tf.constant(test_set.data)
y = tf.constant(test_set.target)
return x, y
# Evaluate accuracy.
accuracy_score = classifier.evaluate(input_fn=get_test_inputs,
steps=1)["accuracy"]
print("\nTest Accuracy: {0:f}\n".format(accuracy_score))
- 分类新的样本
使用estimator的predict()方法来分类新样本，返回一个生成器，可以很容易的转化为列表。下面代码做检索和打印预测结果：
# Classify two new flower samples.
def new_samples():
return np.array(
[[6.4, 3.2, 4.5, 1.5],
[5.8, 3.1, 5.0, 1.7]], dtype=np.float32)
predictions = list(classifier.predict(input_fn=new_samples))
print("New Samples, Class Predictions: {}\n"
.format(predictions))
