Tensorflow学习：使用Tensorflow搭建深层网络分类器

根据官方文档整理而来的，主要是对Iris数据集进行分类。使用tf.contrib.learn.tf.contrib.learn快速搭建一个深层网络分类器，

步骤

导入csv数据
搭建网络分类器
训练网络
计算测试集正确率
对新样本进行分类

数据

Iris数据集包含150行数据，有三种不同的Iris品种分类。每一行数据给出了四个特征信息和一个分类信息。

现在已经将数据分为训练集和测试集

- A training set of 120 samples

http://download.tensorflow.org/data/iris_training.csv

- A test set of 30 samples

http://download.tensorflow.org/data/iris_test.csv

网络搭建

1. 首先，导入tensorflow 和 numpy

2. 导入数据

# 定义数据地址

IRIS_TRAINING = "iris_training.csv"

IRIS_TEST = "iris_test.csv"

# 导入数据

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)

load_csv_with_header() 有三个参数 - filename, 数据地址 - target_dtype, 目标值的numpy datatype（iris的目标值是0，1，2，所以是np.int） - features_dtype, 特征值的numpy datatype .

3. 搭建网络结构

# 每行数据4个特征，都是real-value的

feature_columns = [tf.contrib.layers.real_valued_column("", dimension=4)]

# 3层DNN，3分类问题

classifier = tf.contrib.learn.DNNClassifier(feature_columns=feature_columns,

hidden_units=[10, 20, 10],

n_classes=3,

model_dir="/tmp/iris_model")

参数解释 - feature_columns 特征值 - hidden_units=[10, 20, 10]. 3个隐藏层,包含的隐藏神经元依次是10, 20, 10 - n_classes 类别个数 - model_dir 模型保存地址

4. 训练数据

classifier.fit(x=training_set.data, y=training_set.target, steps=2000)

steps 为训练次数

5. 计算准确率

accuracy_score = classifier.evaluate(x=test_set.data, y=test_set.target)["accuracy"]

print('Accuracy: {0:f}'.format(accuracy_score))

运行结果是

6. 对新样本进行预测

# Classify two new flower samples.

new_samples = np.array(

[[6.4, 3.2, 4.5, 1.5], [5.8, 3.1, 5.0, 1.7]], dtype=float)

y = list(classifier.predict(new_samples, as_iterable=True))

print('Predictions: {}'.format(str(y)))

运行结果为：

完整代码

from __future__ import absolute_import

from __future__ import division

from __future__ import print_function

import tensorflow as tf

import numpy as np

IRIS_TRAINING = "iris_training.csv"

IRIS_TEST = "iris_test.csv"

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)

feature_columns = [tf.contrib.layers.real_valued_column("", dimension=4)]

classifier = tf.contrib.learn.DNNClassifier(feature_columns=feature_columns,

hidden_units=[10, 20, 10],

n_classes=3,

model_dir="/tmp/iris_model")

classifier.fit(x=training_set.data,

y=training_set.target,

steps=2000)

accuracy_score = classifier.evaluate(x=test_set.data,

y=test_set.target)["accuracy"]

print('Accuracy: {0:f}'.format(accuracy_score))

new_samples = np.array(

[[6.4, 3.2, 4.5, 1.5], [5.8, 3.1, 5.0, 1.7]], dtype=float)

y = list(classifier.predict(new_samples, as_iterable=True))

print('Predictions: {}'.format(str(y)))