python - 如何使用 tf.estimator.DNNClassifier(Scikit Flow？)

Question

有人能给我指出 tf.estimator.DNNClassifier (最初是 skflow)的基本工作示例吗？

由于我熟悉 Sklearn，因此我很高兴在 this blog 上阅读有关 Scikit Flow 的内容。 。尤其是 API 看起来与 SK-Learn 几乎相同。

但是，我在使博客中的代码正常工作时遇到了问题。

然后我读到 Scikit Flow Github它移至 tensorflow/tensorflow/contrib/learn/python/learn .

经过进一步调查，我发现tf.contrib.learn.DNNClassifier移至tf.estimator.DNNClassifier .

但是，现在估计器的 api 似乎与 sklearn 分类器有很大不同。

如果有人能给我指出一个基本的工作示例，我将不胜感激。

这是上面博客中的代码。

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)

Answer 1

API 为 changed非常喜欢，所以现在你可以做这样的事情(官方示例可用 here ):

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))

但现在最好使用 TF Keras API，如下所示:

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)