TF Learn入门 —— 简介

TF Learn 是 TensorFlow 的简化界面，使人更快的开始预测分析和数据挖掘。该库涵盖了多种需求，从线性模型到深度学习应用如文本和图形理解。

为什么选择 TensorFlow？

TensorFlow 为不同机器学习应用提供了良好的框架。

它将继续沿着分布式和基本管道式机器两个方向发展。

为什么选择 TensorFlow Learn？

更好的从 scikit-learn 单一机器学习过渡到更广的构建不同形态机器学习模型。你可以从使用 fit／predict 开始过渡到使用 TensorFlow API。

提供一组能与现存代码更好融合的参考模型。

安装

安装 TensorFlow 然后 import learn 从 from tensorflow.contrib.learn 或者使用 tf.contrib.learn

也可选择安装 scikit-learn 或者 pandas 以获取更多功能。

使用

把数据传递进 Estimator 前应将数据调校到均值为0或者单位标准差，Stochastic Gradient Descent 当变量尺度不同时无法保证正确下降回归。

类变量在传递进 Estimator 前应做处理。

线性分类

import tensorflow.contrib.learn.python.learn as learnfrom sklearn import datasets, metricsiris = datasets.load_iris()feature_columns = learn.infer_real_valued_columns_from_input(iris.data)classifier = learn.LinearClassifier(n_classes=3, feature_columns=feature_columns)classifier.fit(iris.data, iris.target, steps=200, batch_size=32)iris_prediction = list(classifier.predict(iris.data, as_iterable=True)score = metircs.accuracy_score(iris.target, iris_prediction)print('Accuracy: %f' % score)

线性回归

import tensorflow.contrib.learn.python.learn as learnfrom sklearn import datasets, metrics, preprocessingboston = datasets.load_boston()x = preprocessing.StandardScaler().fit_transform(boston.data)feature_columns = learn.infer_real_valued_columns_from_input(x)regressor = learn.LinearRegressor(feature_columns=feature_columns)regressor.fit(x, boston.target, steps=200, batch_size=32)boston_predictions = list(regressor.predict(x, as_iterable=True)score = metircs.mean_squared_error(boston_predictions, boston.target)print('MSE: %f' % score)

深度神经网络

import tensorflow.contrib.learn.python.learn as learnfrom sklearn import datasets, metricsiris = datasets.load_iris()feature_columns = learn.infer_real_valued_columns_from_input(iris.data)classifier = learn.DNNClassifier(hidden_units=[10, 20, 10], n_classes=3, feature_columns=feature_columns)classifier.fit(iris.data, iris.target, steps=200, batch_size=32)iris_predictions = list(classifier.predict(iris.data, as_iterable=True)score = metrics.accuracy_score(iris.target, iris_predictions)print('Accuracy: %f' % score)

定制模型

from sklearn import datasetsfrom sklearn import metricsimport tensorflow as tfimport tensorflow.contrib.layers.python.layers as layersimport tensorflow.contrib.learn.python.learn as learniris = datasets.load_iris()def my_model(features, label):labels = tf.one_hot(labels, 3, 1, 0) # on-value of 1 for each one-hot vector of length 3features = layers.stack(features, layers.fully_connected, [10, 20, 10])prediction, loss = (tf.contrib.learn.model.logistic_regression(features, labels))train_op = tf.contrib.layers.optimize_loss(loss, tf.contrib.framework.get_global_step(), optimizer='Adagrad',learning_rate=0.1)return {'class': tf.argmax(prediction, 1), 'prob': prediction}, loss, train_opclassifier = learn.Estimator(model_fn=my_model)classifier.fit(iris.data, iris.traget, steps=1000)y_predicted = [p['class'] for p in classifier.predict(iris.data, as_iterable=True)]score = metrics.accuracy_score(iris.target, y_predicted)print('Accuracy: {0:f}'.format(score))

保存和恢复模型

每个评估器都支持 model_dir 参数，接受文件夹路径以保存模型

classifier = learn.DNNClassifier(..., model_dir='/tmp/my_model')

如果对同一个 Estimator 进行多次 fit 操作，当上一个操错结束后，训练为继续进行。

把检查点恢复到一个新的 Estimator ，只要把同样的 model_dir 参数传递给它。

图形化查看概要

如果在 Estimator 里提供了 model_dir 参数， TensorFlow 会将 loss 和变量的分布图概要写进这一目录（你也可以在定制模型操作中通过请求概要操作加入定制概要）

在 TensorBoard 中查看概要，

tensorboard --logdir=/tmp/tf_examples/my_model_1

然后载入显示 URL