V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
fendouai_com
V2EX  ›  TensorFlow

[TensorFlow 团队] TensorFlow 数据集和估算器介绍

  •  
  •   fendouai_com · 2017-09-25 15:29:06 +08:00 · 4299 次点击
    这是一个创建于 1534 天前的主题,其中的信息可能已经有所发展或是发生改变。

    发布人:TensorFlow 团队

    纯复制帖,可以打开的直接看原文吧。

    原文链接: http://developers.googleblog.cn/2017/09/tensorflow.html

    TensorFlow 1.3 引入了两个重要功能,您应当尝试一下: 数据集:一种创建输入管道(即,将数据读入您的程序)的全新方式。 估算器:一种创建 TensorFlow 模型的高级方式。估算器包括适用于常见机器学习任务的预制模型,不过,您也可以使用它们创建自己的自定义模型。 下面是它们在 TensorFlow 架构内的装配方式。结合使用这些估算器,可以轻松地创建 TensorFlow 模型和向模型提供数据:

    我们的示例模型 为了探索这些功能,我们将构建一个模型并向您显示相关的代码段。完整代码在这里,其中包括获取训练和测试文件的说明。请注意,编写的代码旨在演示数据集和估算器的工作方式,并没有为了实现最大性能而进行优化。 经过训练的模型可以根据四个植物学特征(萼片长度、萼片宽度、花瓣长度和花瓣宽度)对鸢尾花进行分类。因此,在推理期间,您可以为这四个特征提供值,模型将预测花朵属于以下三个美丽变种之中的哪一个:

    从左到右依次为:山鸢尾( Radomil 摄影,CC BY-SA 3.0 )、变色鸢尾( Dlanglois 摄影,CC BY-SA 3.0 )和维吉尼亚鸢尾( Frank Mayfield 摄影,CC BY-SA 2.0 )。 我们将使用下面的结构训练深度神经网络分类器。所有输入和输出值都是 float32,输出值的总和将等于 1 (因为我们在预测属于每种鸢尾花的可能性):

    例如,输出结果对山鸢尾来说可能是 0.05 ,对变色鸢尾是 0.9,对维吉尼亚鸢尾是 0.05 ,表示这种花有 90% 的可能性是变色鸢尾。 好了!我们现在已经定义模型,接下来看一看如何使用数据集和估算器训练模型和进行预测。 数据集介绍 数据集是一种为 TensorFlow 模型创建输入管道的新方式。使用此 API 的性能要比使用 feed_dict 或队列式管道的性能高得多,而且此 API 更简洁,使用起来更容易。尽管数据集在 1.3 版本中仍位于 tf.contrib.data 中,但是我们预计会在 1.4 版本中将此 API 移动到核心中,所以,是时候尝试一下了。 从高层次而言,数据集由以下类组成:

    其中: 数据集:基类,包含用于创建和转换数据集的函数。允许您从内存中的数据或从 Python 生成器初始化数据集。 TextLineDataset:从文本文件中读取各行内容。 TFRecordDataset:从 TFRecord 文件中读取记录。 FixedLengthRecordDataset:从二进制文件中读取固定大小的记录。 迭代器:提供了一种一次获取一个数据集元素的方法。

    我们的数据集 首先,我们来看一下要用来为模型提供数据的数据集。我们将从一个 CSV 文件读取数据,这个文件的每一行都包含五个值 - 四个输入值,加上标签:

    标签的值如下所述: 山鸢尾为 0 变色鸢尾为 1 维吉尼亚鸢尾为 2。 表示我们的数据集 为了说明我们的数据集,我们先来创建一个特征列表:

    feature_names = [
        'SepalLength',
        'SepalWidth',
        'PetalLength',
        'PetalWidth']
    
    

    在训练模型时,我们需要一个可以读取输入文件并返回特征和标签数据的函数。估算器要求您创建一个具有以下格式的函数:

    
    def input_fn():
        ...<code>...
        return ({ 'SepalLength':[values], ..<etc>.., 'PetalWidth':[values] },
                [IrisFlowerType])
    

    返回值必须是一个按照如下方式组织的两元素元组: 第一个元素必须是一个字典(其中的每个输入特征都是一个键),然后是一个用于训练批次的值列表。 第二个元素是一个用于训练批次的标签列表。 由于我们要返回一批输入特征和训练标签,返回语句中的所有列表都将具有相同的长度。从技术角度而言,我们在这里说的“列表”实际上是指 1-d TensorFlow 张量。 为了方便重复使用 input_fn,我们将向其中添加一些参数。这样,我们就可以使用不同设置构建输入函数。参数非常直观: file_path:要读取的数据文件。 perform_shuffle:是否应将记录顺序随机化。 repeat_count:在数据集中迭代记录的次数。例如,如果我们指定 1,那么每个记录都将读取一次。如果我们不指定,迭代将永远持续下去。 下面是我们使用 Dataset API 实现此函数的方式。我们会将它包装到一个“输入函数”中,这个输入函数稍后将用于为我们的估算器模型提供数据:

    def my_input_fn(file_path, perform_shuffle=False, repeat_count=1):
       def decode_csv(line):
           parsed_line = tf.decode_csv(line, [[0.], [0.], [0.], [0.], [0]])
           label = parsed_line[-1:] # Last element is the label
           del parsed_line[-1] # Delete last element
           features = parsed_line # Everything (but last element) are the features
           d = dict(zip(feature_names, features)), label
           return d
    
       dataset = (tf.contrib.data.TextLineDataset(file_path) # Read text file
           .skip(1) # Skip header row
           .map(decode_csv)) # Transform each elem by applying decode_csv fn
       if perform_shuffle:
           # Randomizes input using a window of 256 elements (read into memory)
           dataset = dataset.shuffle(buffer_size=256)
       dataset = dataset.repeat(repeat_count) # Repeats dataset this # times
       dataset = dataset.batch(32)  # Batch size to use
       iterator = dataset.make_one_shot_iterator()
       batch_features, batch_labels = iterator.get_next()
       return batch_features, batch_labels
    
    

    注意以下内容: TextLineDataset:在您使用 Dataset API 的文件式数据集时,它将为您执行大量的内存管理工作。例如,您可以读入比内存大得多的数据集文件,或者以参数形式指定列表,读入多个文件。 shuffle:读取 buffer_size 记录,然后打乱(随机化)它们的顺序。 map:调用 decode_csv 函数,并将数据集中的每个元素作为一个参数(由于我们使用的是 TextLineDataset,每个元素都将是一行 CSV 文本)。然后,我们将向每一行应用 decode_csv。 decode_csv:将每一行拆分成各个字段,根据需要提供默认值。然后,返回一个包含字段键和字段值的字典。map 函数将使用字典更新数据集中的每个元素(行)。 以上是数据集的简单介绍!为了娱乐一下,我们现在可以使用下面的函数打印第一个批次:

    next_batch = my_input_fn(FILE, True) # Will return 32 random elements
    
    # Now let's try it out, retrieving and printing one batch of data.
    # Although this code looks strange, you don't need to understand
    # the details.
    with tf.Session() as sess:
        first_batch = sess.run(next_batch)
    print(first_batch)
    
    # Output
    ({'SepalLength': array([ 5.4000001, ...<repeat to 32 elems>], dtype=float32),
      'PetalWidth': array([ 0.40000001, ...<repeat to 32 elems>], dtype=float32),
      ...
     },
     [array([[2], ...<repeat to 32 elems>], dtype=int32) # Labels
    )
    
    

    这就是我们需要 Dataset API 在实现模型时所做的全部工作。不过,数据集还有很多功能;请参阅我们在这篇博文的末尾列出的更多资源。 估算器介绍 估算器是一种高级 API,使用这种 API,您在训练 TensorFlow 模型时就不再像之前那样需要编写大量的样板文件代码。估算器也非常灵活,如果您对模型有具体的要求,它允许您替换默认行为。 使用估算器,您可以通过两种可能的方式构建模型: 预制估算器 - 这些是预先定义的估算器,旨在生成特定类型的模型。在这篇博文中,我们将使用 DNNClassifier 预制估算器。 估算器(基类)- 允许您使用 model_fn 函数完全掌控模型的创建方式。我们将在单独的博文中介绍如何操作。 下面是估算器的类图:

    我们希望在未来版本中添加更多的预制估算器。 正如您所看到的,所有估算器都使用 input_fn,它为估算器提供输入数据。在我们的示例中,我们将重用 my_input_fn,这个函数是我们专门为演示定义的。 下面的代码可以将预测鸢尾花类型的估算器实例化:

    # Create the feature_columns, which specifies the input to our model.
    # All our input features are numeric, so use numeric_column for each one.
    feature_columns = [tf.feature_column.numeric_column(k) for k in feature_names]
    
    # Create a deep neural network regression classifier.
    # Use the DNNClassifier pre-made estimator
    classifier = tf.estimator.DNNClassifier(
       feature_columns=feature_columns, # The input features to our model
       hidden_units=[10, 10], # Two layers, each with 10 neurons
       n_classes=3,
       model_dir=PATH) # Path to where checkpoints etc are stored
    

    我们现在有了一个可以开始训练的估算器。 训练模型 使用一行 TensorFlow 代码执行训练:

    # Train our model, use the previously function my_input_fn
    # Input to training is a file with training example
    # Stop training after 8 iterations of train data (epochs)
    classifier.train(
       input_fn=lambda: my_input_fn(FILE_TRAIN, True, 8))
    

    不过,等一等... 这个“ lambda: my_input_fn(FILE_TRAIN, True, 8)”是什么?这是我们将数据集与估算器连接的位置!估算器需要数据来执行训练、评估和预测,它使用 input_fn 提取数据。估算器需要一个没有参数的 input_fn,因此我们将使用 lambda 创建一个没有参数的函数,这个函数会使用所需的参数 file_path, shuffle setting, 和 repeat_count 调用 input_fn。在我们的示例中,我们使用 my_input_fn,,并向其传递: FILE_TRAIN,训练数据文件。 True,告知估算器打乱数据。 8,告知估算器将数据集重复 8 次。 评估我们经过训练的模型 好了,我们现在有了一个经过训练的模型。如何评估它的性能呢?幸运的是,每个估算器都包含一个 evaluate 函数:

    # Evaluate our model using the examples contained in FILE_TEST
    # Return value will contain evaluation_metrics such as: loss & average_loss
    evaluate_result = estimator.evaluate(
       input_fn=lambda: my_input_fn(FILE_TEST, False, 4)
    print("Evaluation results")
    for key in evaluate_result:
       print("   {}, was: {}".format(key, evaluate_result[key]))
    

    在我们的示例中,我们达到了 93% 左右的准确率。当然,可以通过多种方式提高准确率。一种方式是重复运行程序。由于模型的状态将持久保存(在上面的 model_dir=PATH 中),您对它训练的迭代越多,模型改进得越多,直至产生结果。另一种方式是调整隐藏层的数量或每个隐藏层中节点的数量。您可以随意调整;不过请注意,在进行更改时,您需要移除在 model_dir=PATH 中指定的目录,因为您更改的是 DNNClassifier 的结构。

    使用我们经过训练的模型进行预测 大功告成!我们现在已经有一个经过训练的模型了,如果我们对评估结果感到满意,可以使用这个模型根据一些输入来预测鸢尾花。与训练和评估一样,我们使用一个函数调用进行预测:

    # Predict the type of some Iris flowers.
    # Let's predict the examples in FILE_TEST, repeat only once.
    predict_results = classifier.predict(
        input_fn=lambda: my_input_fn(FILE_TEST, False, 1))
    print("Predictions on test file")
    for prediction in predict_results:
       # Will print the predicted class, i.e: 0, 1, or 2 if the prediction
       # is Iris Sentosa, Vericolor, Virginica, respectively.
       print prediction["class_ids"][0] 
    

    基于内存中的数据进行预测 之前展示的代码将 FILE_TEST 指定为基于文件中存储的数据进行预测,不过,如何根据其他来源(例如内存)中的数据进行预测呢?正如您可能猜到的一样,进行这种预测不需要对我们的 predict 调用进行更改。不过,我们需要将 Dataset API 配置为使用如下所示的内存结构:

    # Let create a memory dataset for prediction.
    # We've taken the first 3 examples in FILE_TEST.
    prediction_input = [[5.9, 3.0, 4.2, 1.5],  # -> 1, Iris Versicolor
                        [6.9, 3.1, 5.4, 2.1],  # -> 2, Iris Virginica
                        [5.1, 3.3, 1.7, 0.5]]  # -> 0, Iris Sentosa
    def new_input_fn():
       def decode(x):
           x = tf.split(x, 4) # Need to split into our 4 features
           # When predicting, we don't need (or have) any labels
           return dict(zip(feature_names, x)) # Then build a dict from them
    
       # The from_tensor_slices function will use a memory structure as input
       dataset = tf.contrib.data.Dataset.from_tensor_slices(prediction_input)
       dataset = dataset.map(decode)
       iterator = dataset.make_one_shot_iterator()
       next_feature_batch = iterator.get_next()
       return next_feature_batch, None # In prediction, we have no labels
    
    # Predict all our prediction_input
    predict_results = classifier.predict(input_fn=new_input_fn)
    
    # Print results
    print("Predictions on memory data")
    for idx, prediction in enumerate(predict_results):
       type = prediction["class_ids"][0] # Get the predicted class (index)
       if type == 0:
           print("I think: {}, is Iris Sentosa".format(prediction_input[idx]))
       elif type == 1:
           print("I think: {}, is Iris Versicolor".format(prediction_input[idx]))
       else:
           print("I think: {}, is Iris Virginica".format(prediction_input[idx])
    

    Dataset.from_tensor_slides() 面向可以装入内存的小数据集。按照与训练和评估时相同的方式使用 TextLineDataset 时,只要您的内存可以管理随机缓冲区和批次大小,您就可以处理任意大的文件。 拓展 使用像 DNNClassifier 一样的估算器可以提供很多值。除了易于使用外,预制估算器还提供内置的评估指标,并创建您可以在 TensorBoard 中看到的汇总。要查看此报告,请按照下面所示从您的命令行启动 TensorBoard:

    # Replace PATH with the actual path passed as model_dir argument when the
    # DNNRegressor estimator was created.
    tensorboard --logdir=PATH 
    

    下面几个图显示了 TensorBoard 将提供的一些数据:

    总结 在这篇博文中,我们探讨了数据集和估算器。这些是用于定义输入数据流和创建模型的重要 API,因此花一些时间来学习它们非常值得! 如需了解更多详情,请参阅下面的资源 这篇博文使用的完整源代码在这里。 Josh Gordon 有关这个问题非常不错的 Jupyter 笔记。使用这个笔记,您可以学习如何运行具有不同类型特征(输入)的更丰富示例。正如您从我们的模型中发现的一样,我们仅仅使用了数值特征。 对于数据集,请参阅程序员指南和参考文档中的新章节。 对于估算器,请参阅程序员指南和参考文档中的新章节。 到这里还没有完。我们很快就会发布更多介绍这些 API 工作方式的博文,敬请关注! 在此之前,祝大家尽情享受 TensorFlow 编码!

    更多 TensorFlow 教程: http://www.tensorflownews.com

    目前尚无回复
    关于   ·   帮助文档   ·   API   ·   FAQ   ·   我们的愿景   ·   广告投放   ·   感谢   ·   实用小工具   ·   1506 人在线   最高记录 5497   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 23ms · UTC 17:27 · PVG 01:27 · LAX 09:27 · JFK 12:27
    ♥ Do have faith in what you're doing.