TensorFlow 入门(2):使用DNN分类器对数据进行分类

导语 | 本文是
腾讯云技术社区 作者
谭正中 首发在社区的系列文章,记录了作者在初学神经网络和机器学习所遇到的坑,目前已经发布了3篇。链接如下:

TensorFlow入门(1):求N元一次方程

TensorFlow 入门(2):使用DNN分类器对数据进行分类

TensorFlow入门(3):使用神经网络拟合N元一次方程

背景

上一篇 《TensorFlow 入门:求 N 元一次方程》根据官网的入门教程,使用基础的 API 稍作修改解决了 N 个数据的权重问题,再继续看官网后面的教程,有一篇 高级 API 入门教程教我们如何使用 DNN(深度神经网络)分类器实现对鸢尾花的分类。刚看到这篇文章的时候,中间出现了几种鸢尾花的图案,我还以为输入是图片,API 会进行图片识别,后来发现输入的训练集只是一组组特征数据(包含花萼的长度宽度和花瓣的长度宽度)对应分类,可以看做能够解决这样的一个问题:给定一组特征数据,求这组数据的分类。 和之前一样,先分析一下原文中的示例,很多文章对原文中的示例进行翻译,但是并没有举一反三,这样其实学习效果并不好,本文会在学习后使用原文的方法,解决一个新的问题。 由于作者能力有限,目前仅停留在使用阶段,先培养机器学习思维方式,对于原理部分,可以参考其他的资料。能保证的是,阅读本文不会让你过于枯燥,也不会很难,我的宗旨是用简单的语言将复杂的问题说清楚。

原文示例

原文链接在这里,我们先逐行分析一下,首先进行必要的包含工作,我对 python 不是特别熟悉,前面这 3 行我还专门去查了一下是什么含义,具体可以参考 这篇文章

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

然后定义训练集和测试集的路径,这次的数据是以 csv 的格式加载进来:

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"

然后进入到主函数,主函数首先是将训练集和测试集的 csv 文件下载下来:

# If the training and test sets aren't 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)

下载下来的文件可以打开看看,我们打开训练集:

120,4,setosa,versicolor,virginica
6.4,2.8,5.6,2.2,2
5,2.3,3.3,1,1
4.9,2.5,4.5,1.7,2
4.9,3.1,1.5,0.1,0
5.7,3.8,1.7,0.3,0
4.4,3.2,1.3,0.2,0
5.4,3.4,1.5,0.4,0
6.9,3.1,5.1,2.3,2
...

可以发现首行的格式看起来并不是一个表头,这个格式是有规范的,但是原文没有讲,我们继续往后看它是怎么读取的:

# 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)

TensorFlow 使用 tf.contrib.learn.datasets.base.load_csv_with_header 对 CSV 文件进行读取,它有 3 个参数:

  • filename:CSV 文件名
  • target_dtype:目标数据的类型,本例中为分类 ID,使用整形表示
  • features_dtype:特征值的类型,本例中是花萼花瓣的长宽度,使用浮点数表示

打开 load_csv_with_header 的源代码,可以看到它的实现方式:

def load_csv_with_header(filename,
                                                 target_dtype,
                                                 features_dtype,
                                                 target_column=-1):
    """Load dataset from CSV file with a header row."""
    with gfile.Open(filename) as csv_file:
        data_file = csv.reader(csv_file)
        header = next(data_file)
        n_samples = int(header[0])
        n_features = int(header[1])
        data = np.zeros((n_samples, n_features), dtype=features_dtype)
        target = np.zeros((n_samples,), dtype=target_dtype)
        for i, row in enumerate(data_file):
            target[i] = np.asarray(row.pop(target_column), dtype=target_dtype)
            data[i] = np.asarray(row, dtype=features_dtype)

    return Dataset(data=data, target=target)

这样就很清楚了,使用 load_csv_with_header 函数读取的 CSV 文件首行前两列分别表示数据组的个数和每个数据组的特征数,训练集中一共有 120 组数据,每组数据包含 4 个特征。首行的另外 3 个数据,实际上并不会读取到。具体的特征数据从第二行开始,最后一列为目标值(即训练完毕后期望的输出值),前面的 4 列为特征数据(即训练完毕后的输入值),这个 4 必须和第一行第二列相等,否则就会读取失败了。 数据读取完毕后,可以把结果打印出来看看:

print(training_set)

Dataset(data=array([
             [ 6.4000001 ,  2.79999995,  5.5999999 ,  2.20000005],
             [ 5.        ,  2.29999995,  3.29999995,  1.        ],
             [ 4.9000001 ,  2.5       ,  4.5       ,  1.70000005],
             ...
             [ 4.80000019,  3.        ,  1.39999998,  0.1       ],
             [ 5.5       ,  2.4000001 ,  3.70000005,  1.        ]], dtype=float32),
             target=array([2, 1, 2,..., 0, 1]))

因为篇幅问题,上面省略了很多数据,可以看到和 load_csv_with_header 代码中一致,结果为一个 Dataset 结构,其中 data 为 120 组数据,每组数据包含 4 个特征值,而 target 为一个长度为 120 的数组,表示这 120 组数据的分类。 这样就完成了训练集和测试集的数据加载工作,之后创建一个 DNN 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")

这段代码,我目前的知识还无法理解全部参数的含义,先看看第一行 real_valued_column的参数:

  • column_name 填的是””,这个我还不明白有什么作用
  • dimension 填 4,对应每组数据有 4 个特征值。

DNNClassifier的参数:

  • feature_columns:把之前创建的特征列传入,具体有什么含义还没深入理解。
  • hidden_units:每层神经元数量,跟 DNN 原理有关。
  • n_classes:目标的类型的个数,目前是 3 个。
  • model_dir:训练模型保存的路径,这个很重要。

然后要构造一个输入函数,用于将训练数据输入到 TensorFlow 中用来训练,这个函数返回 2 个 Tensor 数据,一个是大小为 [120,4]的输入数据,表示 120 组数据,每组数据包含 4 个特征值,还有就是 120 个输出数据,这 120 组数据用于训练模型。因为返回的数据是 Tensor 常量,直接打印会显示出他们的属性:

print(x,y)

Tensor("Const:0", shape=(120, 4), dtype=float32) Tensor("Const_1:0", shape=(120,), dtype=int64)

如果想看看他们的值,可以创建一个 Session 执行一下:

sess = tf.Session()
print(sess.run([x,y]))

[array([[ 6.4000001 ,  2.79999995,  5.5999999 ,  2.20000005],
             [ 5.        ,  2.29999995,  3.29999995,  1.        ],
             [ 4.9000001 ,  2.5       ,  4.5       ,  1.70000005],
             ...
             [ 4.80000019,  3.        ,  1.39999998,  0.1       ],
             [ 5.5       ,  2.4000001 ,  3.70000005,  1.        ]], dtype=float32),
 array([2, 1, 2, 0, 0, 0, 0, 2, 1, 0, 1, 1, 0, 0, 2, 1, 2, 2, 2, 0, 2, 2, 0,
             2, ..., 0, 1])]

接下来就开始训练,使用 classifier 的 fit 函数进行训练,次数为 2000 次:

# Fit model.
classifier.fit(input_fn=get_train_inputs, steps=2000)

训练的结果会保存在之前创建 classifier 传入的 model_dir 中,本例中是”/tmp/iris_model”,这是一个目录,训练结束后,可以看到该目录保存了一些数据:

$ tree -h /tmp/iris_model
/tmp/iris_model
├── [ 178]  checkpoint
├── [4.0K]  eval
│   └── [156K]  events.out.tfevents.1493025734.dev
├── [493K]  events.out.tfevents.1493025732.dev
├── [312K]  graph.pbtxt
├── [4.0K]  model.ckpt-1.data-00000-of-00001
├── [ 721]  model.ckpt-1.index
├── [123K]  model.ckpt-1.meta
├── [4.0K]  model.ckpt-2000.data-00000-of-00001
├── [ 721]  model.ckpt-2000.index
└── [123K]  model.ckpt-2000.meta

如果再执行 2000 次训练,会发现目录中数据量增加:

xxxx$ tree -h /tmp/iris_model
/tmp/iris_model
├── [ 302]  checkpoint
├── [4.0K]  eval
│   ├── [156K]  events.out.tfevents.1493025734.dev
│   └── [156K]  events.out.tfevents.1493025839.dev
├── [493K]  events.out.tfevents.1493025732.dev
├── [496K]  events.out.tfevents.1493025837.dev
├── [312K]  graph.pbtxt
├── [4.0K]  model.ckpt-1.data-00000-of-00001
├── [ 721]  model.ckpt-1.index
├── [123K]  model.ckpt-1.meta
├── [4.0K]  model.ckpt-2000.data-00000-of-00001
├── [ 721]  model.ckpt-2000.index
├── [123K]  model.ckpt-2000.meta
├── [4.0K]  model.ckpt-2001.data-00000-of-00001
├── [ 721]  model.ckpt-2001.index
├── [123K]  model.ckpt-2001.meta
├── [4.0K]  model.ckpt-4000.data-00000-of-00001
├── [ 721]  model.ckpt-4000.index
└── [123K]  model.ckpt-4000.meta

可见,训练的结果在执行完训练后,就已经保留下来了,后续对于数据的分类,可以直接使用当前的训练数据而不用重新训练:

# 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")

训练结束后,通过 30 组测试集来对训练效果进行测试,与训练时一样,同样构建一个数据输入函数 get_test_inputs,将数据和结果传入,使用 classifier.evaluate 对数据进行测试:

# 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))

注意到例子中把 classifier.evaluate 返回的结果的”accuracy”字段打印出来,其实返回的结果是一个字典,可以打印出来看看是什么:

print(classifier.evaluate(input_fn=get_test_inputs, steps=1))

{'loss': 0.082033969, 'auc': 0.99833333, 'global_step': 4000, 'accuracy': 0.96666664}

可以看到打印结果中有损失函数、训练次数、准确率和 AUC 信息,auc 信息我还不太能理解它的具体含义,但是可以看做是评价模型效果的一个指标,有兴趣的同学可以顺手 Google 一下。 可以看到测试集的准确率是 96.67%,总共 30 个测试数据,错了 1 个。 那么未来对于单个输入数据,我们怎么使用训练好的模型对其进行分类呢?继续看代码:

# 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))

还是创建一个输入函数,把数据传入,使用 classifier.predict 对数据进行分类,返回值是一个 生成器 generator,所以用 list 包一下,结果为:

New Samples, Class Predictions:    [1, 2]

表示这 2 组数据分别被分类为 1 和 2。 这就是我对于官方的 DNN 分类器示例的一些理解,希望能帮助读者学习,完整代码:

#!/usr/bin/python
#coding=utf-8
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

import tensorflow as tf
import numpy as np
import os
import urllib

tf.logging.set_verbosity(tf.logging.ERROR)              #日志级别设置成 ERROR,避免干扰
np.set_printoptions(threshold='nan')                    #打印内容不限制长度

# Data sets
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"

def main():
# If the training and test sets aren't 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)

# 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)

# 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")
# Define the training inputs
        def get_train_inputs():
                x = tf.constant(training_set.data)
                y = tf.constant(training_set.target)
                return x, y

# Fit model.
        classifier.fit(input_fn=get_train_inputs, steps=2000)

# 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.
#print(classifier.evaluate(input_fn=get_test_inputs, steps=1))
        accuracy_score = classifier.evaluate(input_fn=get_test_inputs, steps=1)["accuracy"]

        print("nTest Accuracy: {0:f}n".format(accuracy_score))

# 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))

if __name__ == "__main__":
        main()

exit(0)

举一反三

学习了 DNN 分类器的用法之后,我们可以用它来做什么呢?先随便举个例子吧,给出一个坐标,输出它所在的象限,比如(1,1) 的象限为 1,(1,-1) 的象限为 4,其中比较特殊的,令在坐标轴上的数据点的象限为 0,比如(0,1) 和(0,0) 的象限输出为 0。 要完成这个测试,首先要生成训练集和测试集 csv 文件,使用一个 gen_data 函数生成数据,首行为数据组数和特征的数量,在本例中,特征数量为 2。我们使用随机数生成一个坐标(x,y),它们的值限制在 [-10,10) 的范围内,x 和 y 低于 0.2 的部分,将其置为 0,用来表示坐标轴上的点:

QUADRANT_TRAINING = "quadrant_training.csv"
QUADRANT_TEST = "quadrant_test.csv"

def gen_data(file,count):
        with open(file,"w") as f:
#首行,写入数据集的组数和特征的数量
                f.write("%d,2n" % count)

#原点
                f.write("0,0,0n")

#产生一个随机坐标(x,y)
                for i in range(1,count):
                        x = random.uniform(-10, 10)
                        y = random.uniform(-10, 10)

                        if abs(x) < 0.2:
                                x = 0
                        if abs(y) < 0.2:
                                y = 0

#获得坐标的象限
                        quadrant = 0
                        if x > 0 and y > 0:
                                quadrant = 1
                        elif x < 0 and y > 0:
                                quadrant = 2
                        elif x < 0 and y < 0:
                                quadrant = 3
                        elif x > 0 and y < 0:
                                quadrant = 4

                        f.write("%f,%f,%dn" % (x,y,quadrant))

在 main 函数中,判断数据文件是否存在,不存在则生成数据,其中训练集包含 2000 个数据,测试集包含 5000 个数据:

# 生成训练集和测试集
if not os.path.exists(QUADRANT_TRAINING):
        gen_data(QUADRANT_TRAINING,2000)

if not os.path.exists(QUADRANT_TEST):
        gen_data(QUADRANT_TEST,5000)

训练的内容和前面的例子几乎完全没有变化,这里我认为可以调整的参数有神经网络的层数以及每层的神经元数,这个目前我还没有经验对其进行调整:

# 加载数据
training_set = tf.contrib.learn.datasets.base.load_csv_with_header(filename=QUADRANT_TRAINING,
        target_dtype=np.int, features_dtype=np.float32)

test_set = tf.contrib.learn.datasets.base.load_csv_with_header(filename=QUADRANT_TEST,
        target_dtype=np.int, features_dtype=np.float32)

# 2 维数据
feature_columns = [tf.contrib.layers.real_valued_column("", dimension=2)]

# 改造一个分类器
classifier = tf.contrib.learn.DNNClassifier(feature_columns=feature_columns,
                                                                                        hidden_units=[10, 20, 10],
                                                                                        n_classes=5,
                                                                                        model_dir="/tmp/quadrant_model")
# 构造训练输入函数
def get_train_inputs():
        x = tf.constant(training_set.data)
        y = tf.constant(training_set.target)
        return x, y

# 训练模型
classifier.fit(input_fn=get_train_inputs, steps=2000)

# 构造测试输入函数
def get_test_inputs():
        x = tf.constant(test_set.data)
        y = tf.constant(test_set.target)

        return x, y

# 评估准确度
print(classifier.evaluate(input_fn=get_test_inputs, steps=1))
accuracy_score = classifier.evaluate(input_fn=get_test_inputs, steps=1)["accuracy"]
print("nTest Accuracy: {0:f}n".format(accuracy_score))

最后传入几个测试数据,由模型对数据进行分类,这样可以直观的看到训练的效果,其中包含了几个在训练集中没有的数据,训练集中的坐标点绝对值都限制在 10 以内,测试中传入了坐标值为 100 的点,看是否能够得到正确的结果:

# 传入数据,对其进行分类
def new_samples():
        return np.array([[1,1],[100,100],[-1,1],[-100,100],[-1,-1],[-100,-100],[1,-1],[100,-100],[100,0],[0,100],[-100,0],[0,-100],[0,0]], dtype=np.float32)

predictions = list(classifier.predict(input_fn=new_samples))

print("New Samples, Class Predictions:    {}n".format(predictions))

完整代码如下:

#!/usr/bin/python
#coding=utf-8
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

import tensorflow as tf
import numpy as np
import os
import urllib
import random

tf.logging.set_verbosity(tf.logging.ERROR)              #日志级别设置成 ERROR,避免干扰
np.set_printoptions(threshold='nan')                    #打印内容不限制长度

QUADRANT_TRAINING = "quadrant_training.csv"
QUADRANT_TEST = "quadrant_test.csv"

def gen_data(file,count):
        with open(file,"w") as f:
#首行,写入数据集的组数和特征的数量
                f.write("%d,2n" % count)

#原点
                f.write("0,0,0n")

#产生一个随机坐标(x,y)
                for i in range(1,count):
                        x = random.uniform(-10, 10)
                        y = random.uniform(-10, 10)

                        if abs(x) < 0.2:
                                x = 0
                        if abs(y) < 0.2:
                                y = 0

#获得坐标的象限
                        quadrant = 0
                        if x > 0 and y > 0:
                                quadrant = 1
                        elif x < 0 and y > 0:
                                quadrant = 2
                        elif x < 0 and y < 0:
                                quadrant = 3
                        elif x > 0 and y < 0:
                                quadrant = 4

                        f.write("%f,%f,%dn" % (x,y,quadrant))

def main():
# 生成训练集和测试集
        if not os.path.exists(QUADRANT_TRAINING):
                gen_data(QUADRANT_TRAINING,2000)

        if not os.path.exists(QUADRANT_TEST):
                gen_data(QUADRANT_TEST,5000)

# 加载数据
        training_set = tf.contrib.learn.datasets.base.load_csv_with_header(filename=QUADRANT_TRAINING,
                target_dtype=np.int, features_dtype=np.float32)

        test_set = tf.contrib.learn.datasets.base.load_csv_with_header(filename=QUADRANT_TEST,
                target_dtype=np.int, features_dtype=np.float32)

# 2 维数据
        feature_columns = [tf.contrib.layers.real_valued_column("", dimension=2)]

# 改造一个分类器
        classifier = tf.contrib.learn.DNNClassifier(feature_columns=feature_columns,
                                                                                                hidden_units=[10, 20, 10],
                                                                                                n_classes=5,
                                                                                                model_dir="/tmp/quadrant_model")
# 构造训练输入函数
        def get_train_inputs():
                x = tf.constant(training_set.data)
                y = tf.constant(training_set.target)
                return x, y

# 训练模型
        classifier.fit(input_fn=get_train_inputs, steps=2000)

# 构造测试输入函数
        def get_test_inputs():
                x = tf.constant(test_set.data)
                y = tf.constant(test_set.target)

                return x, y

# 评估准确度
        print(classifier.evaluate(input_fn=get_test_inputs, steps=1))
        accuracy_score = classifier.evaluate(input_fn=get_test_inputs, steps=1)["accuracy"]
        print("nTest Accuracy: {0:f}n".format(accuracy_score))

# 传入数据,对其进行分类
        def new_samples():
                return np.array([[1,1],[100,100],[-1,1],[-100,100],[-1,-1],[-100,-100],[1,-1],[100,-100],[100,0],[0,100],[-100,0],[0,-100],[0,0]], dtype=np.float32)

        predictions = list(classifier.predict(input_fn=new_samples))

        print("New Samples, Class Predictions:    {}n".format(predictions))

if __name__ == "__main__":
        main()


exit(0)

执行上述代码,每执行一次,程序会训练 2000 次,多次执行,可以逐步提高训练准确度,首次执行的结果如下:

{'loss': 0.0097644748, 'auc': 0.99999833, 'global_step': 2000, 'accuracy': 0.99879998}

Test Accuracy: 0.998800

New Samples, Class Predictions:    [1, 1, 2, 2, 3, 3, 4, 4, 0, 0, 0, 0, 0]

可以看到达到了 99.88%的准确度,手工传入的测试数据全部正确,可见效果确实很不错。 再多执行几次程序,提高训练的次数,loss 函数值会越来越小,分类准确率越来越高。本例中,在进行 14000 次训练后,准确度达到了 100%:

{'loss': 0.0038823907, 'auc': 0.99999958, 'global_step': 4000, 'accuracy': 0.99900001}
{'loss': 0.002235481, 'auc': 1.0, 'global_step': 6000, 'accuracy': 0.99959999}
{'loss': 0.0015281083, 'auc': 1.0, 'global_step': 8000, 'accuracy': 0.99959999}
{'loss': 0.0011556753, 'auc': 0.99999994, 'global_step': 10000, 'accuracy': 0.99980003}
{'loss': 0.00092803896, 'auc': 1.0, 'global_step': 12000, 'accuracy': 0.99980003}
{'loss': 0.00077638833, 'auc': 1.0, 'global_step': 14000, 'accuracy': 1.0}
{'loss': 0.0006688094, 'auc': 1.0, 'global_step': 16000, 'accuracy': 1.0}
{'loss': 0.00058882247, 'auc': 1.0000001, 'global_step': 18000, 'accuracy': 1.0}

在我的机器上,执行 2000 次训练耗时将近 8s,14000 次差不多耗时 1 分钟,在训练完毕后,如果只是需要对数据进行分类,则耗时可以降低到 0.5s 左右,其中加载训练数据耗时 0.22s,对数据进行分类耗时 0.2s,其他则是脚本本身的开销。从这里也可以看到,DNN 分类器的训练过程是比较耗时的,具体执行的过程并不算特别耗时。 学会使用 DNN 分类器之后,如果有一些数据,有几个输入特征值,需要将其分类,就可以采用 DNN 分类器很方便地对其进行处理,前提是训练的数据集数量足够,这样才能达到比较好的训练效果。 比如我能想到的一个例子是文字识别,或者验证码识别,通过对图像的特征描述,达到识别文字或者验证码的目的。特征可以是简单的文字二维点阵描述,或者复杂点,描述为文字中封闭区域,转折的数量、方向等。其他还有很多问题可以通过 DNN 分类器解决,了解这个工具后,遇到问题时可以想想能否用这些机器学习的工具帮忙解决问题,在使用过程中,逐步理解各种神经网络的知识,如果直接看理论,难度很大也很枯燥,在实践中学习会更加容易,记忆也更加深刻,这也是我学习 TensorFlow 的一个目的。

参考资料

相关阅读

机器学习填坑:你知道模型参数和超参数之间的区别吗?

Tensorflow 的 word2vec 详细解释:basic篇

Spark 机器学习的加速器:Spark on Angel

TensorFlow-1: 如何识别数字

    原文作者:腾讯云技术社区
    原文地址: https://zhuanlan.zhihu.com/p/28412173
    本文转自网络文章,转载此文章仅为分享知识,如有侵权,请联系博主进行删除。
点赞