TFboys：使用Tensorflow搭建深层网络分类器

前言

根据官方文档整理而来的，主要是对Iris数据集进行分类。使用tf.contrib.learn.tf.contrib.learn快速搭建一个深层网络分类器，

步骤

导入csv数据
搭建网络分类器
训练网络
计算测试集正确率
对新样本进行分类

数据

Iris数据集包含150行数据，有三种不同的Iris品种分类。每一行数据给出了四个特征信息和一个分类信息。
现在已经将数据分为训练集和测试集

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

网络搭建

1. 首先，导入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. 导入数据

 
 
 
# 定义数据地址
  
  
  IRIS_TRAINING = "iris_training.csv"
  
  
  IRIS_TEST = "iris_test.csv"
  
  
  # 导入数据
  
  
  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() 有三个参数

filename, 数据地址

target_dtype, 目标值的numpy datatype（iris的目标值是0，1，2，所以是np.int）

features_dtype, 特征值的numpy datatype .

3. 搭建网络结构

 
 
 
# 每行数据4个特征，都是real-value的
  
  
  feature_columns = [tf.contrib.layers.real_valued_column("", dimension=4)]
  
  
  
  
  
  # 3层DNN，3分类问题
  
  
  classifier = tf.contrib.learn.DNNClassifier(feature_columns=feature_columns,
  
  
   hidden_units=[10, 20, 10],
  
  
   n_classes=3,
  
  
   model_dir="iris_model")

参数解释

feature_columns 特征值

hidden_units=[10, 20, 10]. 3个隐藏层,包含的隐藏神经元依次是10, 20, 10

n_classes 类别个数

model_dir 模型保存地址

4. 训练数据

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

steps 为训练次数

5. 计算准确率

 
 
 
accuracy_score = classifier.evaluate(x=test_set.data, y=test_set.target)["accuracy"]
  
  
  print('Accuracy: {0:f}'.format(accuracy_score))

运行结果是

 
 
 
Accuracy: 0.966667

6. 对新样本进行预测

 
 
 
# 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)))

运行结果为：

 
 
 
Prediction: [1 2]

完整代码

 
 
 
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)))

参考

tf.contrib.learn Quickstart

tf.contrib.learn API

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

秒客网