Tensorflow.Estimators筆記 - 介紹

一、簡介

estimators是tensorFlow的機器學(xué)習(xí)高階API：

包括四個部分：

1.1、訓(xùn)練

1.2、評估

1.3、預(yù)測

1.4、服務(wù)導(dǎo)出

該api基于類：tf.estimator.Estimator.

二、優(yōu)勢

estimator有以下優(yōu)勢：

2.1、基于estimator的模型既可以在本地運行，也可以在分布式環(huán)境中運行，可以不修改代碼同時在CPU、TPU、GPU服務(wù)器上運行

2.2、輕便的實現(xiàn)模型開發(fā)者之間的共享

2.3、更簡單的時間模型

2.4、estimator是簡化訂制在tf.layers

2.5、自動圖像化

2.6、提供安全的訓(xùn)練循環(huán)：·圖像化、·內(nèi)置變量、·啟動隊列、·異常管理、·從錯誤中創(chuàng)建和刪除測點文件

三、pre-made(預(yù)制)

預(yù)制能夠讓開發(fā)者從更高層面工作。預(yù)制estimator為開發(fā)者創(chuàng)造和管理圖和會話對象。

3.1、預(yù)制estimators程序結(jié)構(gòu)

3.1.1 寫一個或多個數(shù)據(jù)集導(dǎo)入函數(shù)（返回一個特征數(shù)據(jù)字典、一個包含標(biāo)簽的tensor）

def input_fn(dataset):

...? # manipulate dataset, extracting the feature dict and the label

return feature_dict, label

3.1.2 定義特征列

每一個tf.feature_column定義特征名、類型和任何輸入預(yù)處理，舉三個例子：

# Define three numeric feature columns.

population = tf.feature_column.numeric_column('population')

crime_rate = tf.feature_column.numeric_column('crime_rate')

median_education = tf.feature_column.numeric_column('median_education',

normalizer_fn=lambda x: x - global_education_mean)

3.1.3 實例化預(yù)制estimator

舉 LinearClassifier的例子：

# Instantiate an estimator, passing the feature columns.

estimator = tf.estimator.LinearClassifier(

feature_columns=[population, crime_rate, median_education],

)

3.1.4調(diào)用訓(xùn)練、評價、生成方法：

舉train方法：

# my_training_set is the function created in Step 1

estimator.train(input_fn=my_training_set, steps=2000)

3.2、預(yù)制評估器的優(yōu)勢

指明計算圖在計算機和計算集群中何處運行的最佳實踐

普遍有用的事件總結(jié)最佳實踐

四、訂制評估器

訂制評估器和預(yù)制評估器的核心，都是模型函數(shù)。

五、工作流推薦

5.1 假設(shè)合適的預(yù)制評估器存在，用它來構(gòu)造第一個模型并建立基準(zhǔn)線

5.2 構(gòu)造和測試全局管道，包括對這個預(yù)制評估器的數(shù)據(jù)完整性和可靠性

5.3 對預(yù)制評估器做適當(dāng)?shù)男薷?，使他能夠產(chǎn)生最佳結(jié)果

5.4 如果可以的話，建立自己的模型

六、從Keras models建立評估器

舉例調(diào)用tf.keras.estimator.model_to_estimator

# Instantiate a Keras inception v3 model.

keras_inception_v3 = tf.keras.applications.inception_v3.InceptionV3(weights=None)

# Compile model with the optimizer, loss, and metrics you'd like to train with.

keras_inception_v3.compile(optimizer=tf.keras.optimizers.SGD(lr=0.0001, momentum=0.9),

loss='categorical_crossentropy',

metric='accuracy')

# Create an Estimator from the compiled Keras model. Note the initial model

# state of the keras model is preserved in the created Estimator.

est_inception_v3 = tf.keras.estimator.model_to_estimator(keras_model=keras_inception_v3)

# Treat the derived Estimator as you would with any other Estimator.

# First, recover the input name(s) of Keras model, so we can use them as the

# feature column name(s) of the Estimator input function:

keras_inception_v3.input_names? # print out: ['input_1']

# Once we have the input name(s), we can create the input function, for example,

# for input(s) in the format of numpy ndarray:

train_input_fn = tf.estimator.inputs.numpy_input_fn(

x={"input_1": train_data},

y=train_labels,

num_epochs=1,

shuffle=False)

# To train, we call Estimator's train function:

est_inception_v3.train(input_fn=train_input_fn, steps=2000)

TensorFlow

版權(quán)聲明：本文內(nèi)容由網(wǎng)絡(luò)用戶投稿，版權(quán)歸原作者所有，本站不擁有其著作權(quán)，亦不承擔(dān)相應(yīng)法律責(zé)任。如果您發(fā)現(xiàn)本站中有涉嫌抄襲或描述失實的內(nèi)容，請聯(lián)系我們jiasou666@gmail.com 處理，核實后本網(wǎng)站將在24小時內(nèi)刪除侵權(quán)內(nèi)容。