Как использовать tf.estimator.DNNClassifier (Scikit Flow?)

Может ли кто-нибудь указать мне базовый рабочий пример для tf.estimator.DNNClassifier (первоначально skflow)?

Поскольку я знаком со Sklearn, мне было интересно прочитать о Scikit Flow на этот блог. Особенно API выглядел почти так же, как SK-Learn.

Однако у меня возникла проблема с получением кода из блога для работы.

Затем я прочитал от Scikit Flow GitHub, что он переехал в тензорный поток/тензорный поток/вклад/обучение/питон/обучение.

После дальнейшего расследования я обнаружил, что tf.contrib.learn.DNNClassifier перемещен в tf.estimator.DNNClassifier.

Однако теперь API для оценки сильно отличается от классификатора sklearn.

Я был бы признателен, если бы кто-нибудь мог указать мне на базовый рабочий пример.

Вот код из блога выше.

import tensorflow.contrib.learn as skflow
from sklearn import datasets, metrics

iris = datasets.load_iris()
classifier = skflow.TensorFlowDNNClassifier(hidden_units=[10, 20, 10], n_classes=3)
classifier.fit(iris.data, iris.target)
score = metrics.accuracy_score(iris.target, classifier.predict(iris.data))
print("Accuracy: %f" % score)

python tensorflow machine-learning scikit-learn skflow

06.04.2019 17:07

Почему в Python есть оператор "pass"?

Оператор pass в Python - это простая концепция, которую могут быстро освоить даже новички без опыта программирования.

Некоторые методы, о которых вы не знали, что они существуют в Python

Python - самый известный и самый простой в изучении язык в наши дни. Имея широкий спектр применения в области машинного обучения, Data Science,...

Основы Python Часть I

Вы когда-нибудь задумывались, почему в программах на Python вы видите приведенный ниже код?

LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа

Алиса и Боб имеют неориентированный граф из n узлов и трех типов ребер:

Оптимизация кода с помощью тернарного оператора Python

И последнее, что мы хотели бы показать вам, прежде чем двигаться дальше, это

Советы по эффективной веб-разработке с помощью Python

Как веб-разработчик, Python может стать мощным инструментом для создания эффективных и масштабируемых веб-приложений.

918

Перейти к ответу Данный вопрос помечен как решенный

Ответы 1

Ответ принят как подходящий

API был очень измененный, так что теперь можно сделать что-то вроде этого (официальный пример доступен здесь):

import tensorflow as tf
from sklearn import datasets, metrics

def train_input_fn(features, labels, batch_size):
    dataset = tf.data.Dataset.from_tensor_slices((dict(features), labels))
    return dataset.shuffle(1000).repeat().batch(batch_size)

iris = datasets.load_iris()
train_x = {
    '0': iris.data[:, 0],
    '1': iris.data[:, 1],
    '2': iris.data[:, 2],
    '3': iris.data[:, 3],
}

my_feature_columns = []
for key in train_x.keys():
    my_feature_columns.append(tf.feature_column.numeric_column(key=key))

clf = tf.estimator.DNNClassifier(hidden_units=[10, 20, 10], feature_columns=my_feature_columns, n_classes=3)
clf.train(input_fn=lambda: train_input_fn(train_x, iris.target, 32), steps=10000)

preds = list()
for idx, p in enumerate(classifier.predict(input_fn=lambda: train_input_fn(train_x, iris.target, 32))):
    preds.append(p['class_ids'][0])
    if idx == 99:
        break

print(metrics.accuracy_score(iris.target[:100], preds))

Но в настоящее время лучше использовать API TF Keras следующим образом:

import tensorflow as tf
from sklearn import datasets, metrics

def train_input_fn(features, labels, batch_size):
    dataset = tf.data.Dataset.from_tensor_slices((dict(features), labels))
    return dataset.shuffle(1000).repeat().batch(batch_size)

iris = datasets.load_iris()

clf = tf.keras.models.Sequential([
    tf.keras.layers.Dense(10, activation='sigmoid'),
    tf.keras.layers.Dense(20, activation='sigmoid'),
    tf.keras.layers.Dense(10, activation='sigmoid'),
    tf.keras.layers.Dense(3, activation='softmax'),
])
clf.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
clf.fit(iris.data, iris.target, batch_size=32)

Потрясающий!! Большое спасибо! Поскольку API сильно изменился, я предполагаю, что не могу использовать cross_validate из sklearn.model_selection для получения разных оценок, таких как f1_macro?

— 07.04.2019 15:10

Это выглядит так, поэтому вы можете реализовать свой собственный подход к перекрестной проверке с KFold из sklearn, как показано здесь, если хотите.

— 07.04.2019 20:05

06.04.2019 18:31