machine-learning - 使用数据集进行 TensorFlow 分类

Question

我需要在项目中使用 TensorFlow，根据项目的属性将项目分类为特定类别(1、2 或 3)。

唯一的问题是我在网上找到的几乎所有 TF 教程或示例都是关于图像识别或文本分类的。我找不到任何有关根据数字进行分类的信息。我想我要问的是从哪里开始。如果有人知道相关的例子，或者我只是想这个完全错误的。

我们给出了每个项目的 13 个属性，需要使用 TF 神经网络对每个项目进行正确分类(或标记误差幅度)。但网上没有任何内容告诉我如何开始使用这种数据集。

数据集示例:(第一个值是类，其他值是属性)

2, 11.84, 2.89, 2.23, 18,   112, 1.72, 1.32, 0.43, 0.95, 2.65, 0.96, 2.52, 500
3, 13.69, 3.26, 2.54, 20,   107, 1.83, 0.56, 0.5,  0.8,  5.88, 0.96, 1.82, 680
3, 13.84, 4.12, 2.38, 19.5, 89,  1.8,  0.83, 0.48, 1.56, 9.01, 0.57, 1.64, 480
2, 11.56, 2.05, 3.23, 28.5, 119, 3.18, 5.08, 0.47, 1.87, 6,    0.93, 3.69, 465
1, 14.06, 1.63, 2.28, 16,   126, 3,    3.17, 0.24, 2.1,  5.65, 1.09, 3.71, 780

Answer 1

假设您的数据位于文件 data.txt 中。您可以使用 Numpy 来阅读此内容:

import numpy as np
xy = np.loadtxt('data.txt', unpack=True, dtype='float32')
x_data = xy[1:]
y_data = xy[0];

更多信息:http://docs.scipy.org/doc/numpy-1.10.0/reference/generated/numpy.loadtxt.html

也许，您可能需要“np.transpose”，具体取决于您的权重和操作的形状。

x_data = np.transpose(xy[1:])

然后，使用“placeholders”和“feed_dict”来训练/测试您的模型:

X = tf.placeholder("float", ...
Y = tf.placeholder("float", ...
....
with tf.Session() as sess:
....
       sess.run(optimizer, feed_dict={X:x_data, Y:y_data})