类别 Class(Iris setosa, Iris virginica, Iris versicolor)
我们要创建神经收集的目标是根据其他属性来猜测 Iris 的种类。这意味着它须要创建一个模型,描述属性值和类别之间的关系。
TensorFlow 工作流
大年夜部分的 TensorFlow 代码遵守这个工作流程:
- 导入数据集
- 应用附加列扩大数据集,用以描述数据
- 选择模型的类型
- 开端练习
- 评估模型的精确性
- 应用模型猜测结不雅
如不雅你存眷我之前的博客文┞仿,你可能会留意到开辟任何人工神经收集都离不开练习和评估过程。这些过程平日是在两个数据集上完成的,一个用于练习,另一个用于测试练习收集的精确性。平日,我们获得一组数据,我们须要将它们分成两个自力的数据集,并应用个一一个进行培训,另一个用于测试。这一比率平日为 80% 到 20%。此次这些都已经为我们做好了。你可以大年夜这里下载练习数据集,大年夜这里下载测试数据集。或者你可以大年夜这里下载完全的代码和数据。
安装和设置
编码
在持续之前,我得起首解释一下,我应用 Spyder IDE 进行开辟,是以我将应用这个情况来解释全部过程。
所以,我的神经收集的精度是 0.93,异常不错。在此之后,我们可以应用单个数据调用分类器,并对其进行猜测。
结论
我们须要做的第一件事是导入数据集并解析它。为此,我们须要应用另一个 Python 库 -Pandas。这是另一个开源库,为 Python 供给了易于应用的数据构造和数据分析对象。
正如你所看到的,起首我们应用 readcsv 函数将数据集导入到本地变量中,然后我们将输入 (train_x、test_x) 和预期输出 (train_y、test_y) 分别开来,创建四个自力的矩阵。以下是他们的样子:
我们如今须要选择我们将要应用的模型。在我们的问题中,我们试图根据属性数据来猜测 Iris 的类型。所以我们要大年夜 TensorFlow API 中选择一个评估器。评估器类的一个对象封装了构建 TensorFlow 图形并运行 TensorFlow 会话的逻辑。为此,我们将应用 DNN 分类器。我们将添加两个隐蔽的层,每个层有十个神经元。
我们预备好了用于练习和测试的数据。如今,我们须要定义特点列,这也是神经收集须要的。
在那之后,我们将用我们大年夜练习数据集中拔取的数据来练习我们的神经收集。起首,我们将定义练习功能。该函数须要经由过程扩大和创建多个批次来供给来自练习集的数据。如不雅练习样本是随机的练习效不雅也会更好。这就是为什么调用 shuffle 函数的原因。总之, train_function 应用经由练习的数据集,随机地大年夜数据中拔取数据,并将数据反馈给 DNN 分类器的练习办法,大年夜而创建大年夜量的数据。
最后,我们调用评估函数来评估我们的神经收集,并给出收集的回准度。
调用该敕令来在你的情况中安装 TensorFlow。对于 CPU 版本运行这个敕令:
当我们运行这段代码后,将获得如下结不雅:
神经收集已经存在很长时光了,如今的几乎所有重要的概念都可以追溯到 70 年代或 80 年代。阻碍全部范畴成长的问题是那时我们没有强大年夜的计算机和 GPU 来运行这些法度榜样。如今,我们不仅可以做到这一点,并且 Google 经由过程创造这一巨大年夜的对象使神经收集变的风行起来,那就是开源的 TensorFlow。如今,我们还有其他更高等的 API,可以进一步简化神经收集的实现。个一一些比如 Keras 也是基于 TensorFlow 运行的。在今后的文┞仿中,我们将对这一问题进一步商量。
英文原文链接:https://rubikscode.net/2018/02/05/introduction-to-tensorflow-with-python-example/
【编辑推荐】
- Python爬虫实践:《战狼2》豆瓣影评分析
- 初识Python:Hello World和字符串操作
- 用Python构建你本身的RSS提示体系
- TensorFlow进修之神经收集的构建
- 小200行Python代码做了一个换脸法度榜样
推荐阅读
【观点】Token经济的产生对VC与创业的影响不仅在于募资渠道
全平易近充电节 | 3月26日~30日 2000位IT行业拭魅战专家邀请你一路充电进修! 一、风险投资由不肯定性转为肯定性大年夜客岁起,我们可以发明一个很明显的现象,所谓风口,正变得越来越短。这>>>详细阅读
本文标题:如何用一个Python示例入门TensorFlow?
地址:http://www.17bianji.com/lsqh/40846.html
1/2 1