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

时间:2019-04-06 15:07:51

标签: python tensorflow machine-learning scikit-learn skflow

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

由于我熟悉Sklearn,因此很高兴在this blog上阅读有关Scikit Flow的信息。尤其是该api看上去与SK-Learn几乎相同。

但是,我在使博客中的代码正常工作时遇到问题。

然后我从Scikit Flow Github读到它移到了tensorflow/tensorflow/contrib/learn/python/learn

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

但是,现在用于估算器的api似乎与sklearn分类器完全不同。

如果有人可以指出我的基本工作示例,我将不胜感激。

这是上面博客的代码。

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)

1 个答案:

答案 0 :(得分:0)

该API的使用changed非常多,因此,您现在可以执行以下操作(here提供了一个官方示例):

timeout --foreground 30s top

但是如今,最好像这样使用TF Keras API:

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))