TensorFlow 入门(2):使用DNN分类器对数据进行分类

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

原创声明,本文系作者授权云+社区发表,未经许可,不得转载。

如有侵权,请联系 yunjia_community@tencent.com 删除。

编辑于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏编程

新知识 用Python从零开始构造决策树

起步 本章介绍如何不利用第三方库,仅用python自带的标准库来构造一个决策树。 熵的计算公式: ? 对应的python代码: ? 条件熵的计算 根据计算方法:...

3338
来自专栏机器之心

从框架优缺点说起,这是一份TensorFlow入门极简教程

2048
来自专栏用户2442861的专栏

caffe示例实现之4在MNIST手写数字数据集上训练与测试LeNet

http://blog.csdn.net/liumaolincycle/article/details/47336921

551
来自专栏深度学习计算机视觉

pytorch demo 实践

相关环境 python opencv pytorch ubuntu 14.04 pytorch 基本内容 60分钟快速入门,参考:https://blog...

6146
来自专栏云飞学编程

python实战,中文自然语言处理,应用jieba库来统计文本词频

2. 全模式,把句子中所有的可以成词的词语都扫描出来,速度非常快,但是不能解决歧义;

781
来自专栏WindCoder

TensorFlow入门:一篇机器学习教程

TensorFlow是一个由Google创建的开源软件库,用于实现机器学习和深度学习系统。这两个名称包含一系列强大的算法,它们共享一个共同的挑战——让计算机学习...

1171
来自专栏数据科学学习手札

(数据科学学习手札08)系统聚类法的Python源码实现(与Python,R自带方法进行比较)

聚类分析是数据挖掘方法中应用非常广泛的一项,而聚类分析根据其大体方法的不同又分为系统聚类和快速聚类,其中系统聚类的优点是可以很直观的得到聚类数不同时具体类中包括...

2425
来自专栏机器学习算法与Python学习

Torch7模型训练

Torch7搭建卷积神经网络详细教程已经详细的介绍啦Module模块,这里再次基础上再给出一些上Container、 Transfer Functions La...

35413
来自专栏xingoo, 一个梦想做发明家的程序员

MSRA-TD5000数据集使用详解

详情参考MSRA的官方地址:http://www.iapr-tc11.org/mediawiki/index.php/MSRA_Text_Detection_5...

1303
来自专栏瓜大三哥

基于FPGA的均值滤波(二)

基于FPGA的均值滤波(二) 之一维求和模块 均值滤波按照整体设计可以分为以下几个子模块: (1)一维求和模块,这里记为sum_1D; (2)二维求和模块,这里...

2319

扫码关注云+社区