xml地图|网站地图|网站标签 [设为首页] [加入收藏]

澳门皇家赌场初学者篇,快速入门

来源:http://www.ccidsi.com 作者:最新解决方案 人气:137 发布时间:2020-01-23
摘要:摘要: 本文以Python代码实现全部鸾尾花图像分类义务,未有调用任何的数据包,切合新手阅读领会,并早先奉行资历下机器学习格局的光景流程。 笔记整理者:王小草 笔记打理时间:

摘要: 本文以Python代码实现全部鸾尾花图像分类义务,未有调用任何的数据包,切合新手阅读领会,并早先奉行资历下机器学习格局的光景流程。

笔记整理者:王小草
笔记打理时间:二零一七年十月五日
相应的合西班牙语档地址:https://www.tensorflow.org/get_started/tflearn
官方文书档案上次更新时间:前年十二月四日

自己是三个很懒的人,小编想尝试

仰望笔者能百折不挠到终极,把tensorflow的合法教程全部翻译出来

巩固和睦,也扶植外人

作者的博客:百多年学习者

品尝选拔过各大商厦出产的植物识别APP吗?比方微软识花、花伴侣等这一个APP。当你见到少年老成朵不亮堂学名的花时,只必要开发植物识别应用软件,拍戏一张你所想辨认的植物照片并上传,应用程式会自动识别出该花的项目及详细介绍,认为手提式有线电话机中装了二个知识渊博的生物学家,是还是不是很玄妙?其实,背后的原理比非常的粗略,是叁个图像分类的进程,将上传的图像与手提式有线电话机中预存的数据集或联网数据进行相称,将其分类到相应的品类就可以。随着深度学习情势的运用,图像分类的精度越来越高,在有些数据集晚春经超(jīng chāo卡塔尔(قطر‎过了人眼的力量。


tf.estimator Quickstart

TensorFlow 的高档次机器学习 API(tf.estimator卡塔尔使得配置,演练,和评估有滋有味的机器学习模型变得越来越轻便。在本教程中,你将接收tf.estimator 布局叁个神经网络分类器,在 Iris 数据集 上练习,并通过花的萼片和花瓣的几何样子预测花的项目。你将编辑代码来促成以下多少个步骤:

  1. 读取包括 Iris 练习/测量试验数据的 CSVs 数据格式,到TensorFlow Dataset
  2. 构造多个 神经网络分类器
  3. 行使操练多少练习模型
  4. 评估模型的准头
  5. 分拣新的样书

小心:请在初叶本学科前, 安装 TensorFlow 到你的机器上

相对于古板神经网络的艺术来讲,深度学习格局经常对数码集规模、硬件平台有着比较高的渴求,即使只是然而的想尝尝领会图像分类义务的主导流程,建议采用小数码集样品及守旧的神经网络方法实现。本文将引导读者采取鸢尾属植物数据集(IrisData Set)来促成七个分拣职责,整个鸢尾属植物数据集是机器学习中历史悠久的数据集,比现行反革命常用的数字手写体数据集(Mnist Data Set)数据集还要早得多,该数量集来源于英帝国引人瞩指标计算学家、生物学家罗恩ald Fiser。本文在不接纳有关软件库的事态下,从头开头营造针对鸢尾属植物数据的神经互联网模型,对其展开锻炼并收获好的结果。

前几日我们要向Tensorflow高等API的读书秘籍迈进一层。别听到高等API就觉着是难度高的野趣,其实高端API赶巧是为着减少大家的编码难度而设置的。Tensorflow越来越高层的API使得配置,练习,评估多样两种的机器学习模型更简便易行方便了。

Complete Neural Network Source Code

以下是神经网络分类器的欧洲经济共同体代码:

from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

import os
from six.moves.urllib.request import urlopen

import numpy as np
import tensorflow as tf

# 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 = urlopen(IRIS_TRAINING_URL).read()
    with open(IRIS_TRAINING, "wb") as f:
      f.write(raw)

  if not os.path.exists(IRIS_TEST):
    raw = urlopen(IRIS_TEST_URL).read()
    with open(IRIS_TEST, "wb") 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.feature_column.numeric_column("x", shape=[4])]

  # Build 3 layer DNN with 10, 20, 10 units respectively.
  classifier = tf.estimator.DNNClassifier(feature_columns=feature_columns,
                                          hidden_units=[10, 20, 10],
                                          n_classes=3,
                                          model_dir="/tmp/iris_model")
  # Define the training inputs
  train_input_fn = tf.estimator.inputs.numpy_input_fn(
      x={"x": np.array(training_set.data)},
      y=np.array(training_set.target),
      num_epochs=None,
      shuffle=True)

  # Train model.
  classifier.train(input_fn=train_input_fn, steps=2000)

  # Define the test inputs
  test_input_fn = tf.estimator.inputs.numpy_input_fn(
      x={"x": np.array(test_set.data)},
      y=np.array(test_set.target),
      num_epochs=1,
      shuffle=False)

  # Evaluate accuracy.
  accuracy_score = classifier.evaluate(input_fn=test_input_fn)["accuracy"]

  print("nTest Accuracy: {0:f}n".format(accuracy_score))

  # 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=np.float32)
  predict_input_fn = tf.estimator.inputs.numpy_input_fn(
      x={"x": new_samples},
      num_epochs=1,
      shuffle=False)

  predictions = list(classifier.predict(input_fn=predict_input_fn))
  predicted_classes = [p["classes"] for p in predictions]

  print(
      "New Samples, Class Predictions:    {}n"
      .format(predicted_classes))

if __name__ == "__main__":
    main()

以下一些将详细介绍代码细节。

澳门皇家赌场 1

正文将动用高层API:tf.contrib.learn 来创设贰个分类神经网络,将它坐落“鸢尾花数据集”上举行训练,况且揣度模型,使得模型能根据特征(萼片和花瓣几何样子)预测出花的品种。

Load the Iris CSV data to TensorFlow

Iris 数据集 包涵了 150 行数据,三种有关的 Iris 品种,各种 Iris 品种有 50 个样品: Iris setosaIris virginica,和Iris versicolor

澳门皇家赌场 2

Petal geometry compared for three iris species: Iris setosa, Iris virginica, and Iris versicolor

从左到右, Iris setosa (by Radomil, CC BY-SA 3.0卡塔尔(قطر‎,Iris versicolor (by Dlanglois, CC BY-SA 3.0卡塔尔,和 艾丽丝 virginica(by Frank May田野, CC BY-SA 2.0卡塔尔国.

对此各类花朵样板,每生机勃勃行都包罗了以下数据:萼片长度,萼片宽度, 花瓣长度,花瓣宽度和花的体系。花的种类用整数型数字代表,0意味着Iris setosa,1表示Iris versicolor

Sepal Length Sepal Width Petal Length Petal Width Species
5.1 3.5 1.4 0.2 0
4.9 3.0 1.4 0.2 0
4.7 3.2 1.3 0.2 0
7.0 3.2 4.7 1.4 1
6.4 3.2 4.5 1.5 1
6.9 3.1 4.9 1.5 1
6.5 3.0 5.2 2.0 2
6.2 3.4 5.4 2.3 2
5.9 3.0 5.1 1.8 2

本学科中,Iris 数据随机打乱并分割成四个单身的 CSV 数据集:

  • 包括 120 个样品的锻炼集 (iris_training.csv)
  • 含有 30 个样品的测验集 (iris_test.csv)

发端前,首先 import 进具备的内需的模块,并定义哪里下载数据和储存数据集:

from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

import os
from six.moves.urllib.request import urlopen

import tensorflow as tf
import numpy as np

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"

下一场,如若操练和测量试验数据集不总是存在于本地,那么下载它们。

if not os.path.exists(IRIS_TRAINING):
  raw = urlopen(IRIS_TRAINING_URL).read()
  with open(IRIS_TRAINING,'wb') as f:
    f.write(raw)

if not os.path.exists(IRIS_TEST):
  raw = urlopen(IRIS_TEST_URL).read()
  with open(IRIS_TEST,'wb') as f:
    f.write(raw)

下一步,使用 learn.datasets.base 中的load_csv_with_header() 方法读取演习和测量试验数据集,加载到 Dataset 中。load_csv_with_header() 方法蕴含多少个须要的参数:

  • filename, 它从 CSV 文件获得文件路线
  • target_dtype, 它接收数据集指标值的 numpy 数据类型
  • features_dtype, 它选拔数据集特征值的 numpy 数据类型

在这里地,目的(值是你演习的模型的预测State of Qatar是花的项目,它是贰个从 0 到 2 的整数,所以适当的numpy数据类型是np.int

# 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)

Dataset 在 tf.contrib.learn 中名称为元组;你能够通过 datatarget字段访谈特征数据和对象值。这里, training_set.datatraining_set.target 分别包括了练习集的性状数据和特性值,而 test_set.datatest_set.target 分别满含了测量试验集的特色数据和指标值。

稍后,在 "Fit the DNNClassifier to the Iris Training Data," 你将动用training_set.datatraining_set.target教练你的模子,在"Evaluate Model Accuracy," 你将利用 test_set.datatest_set.target。但第风流罗曼蒂克,你将要下大器晚成节中布局你的模子。

鸢尾属植物数据集是用于测验机器学习算法的最常用数据集。该数额包蕴三种特色,萼片长度、萼片宽度、花瓣长度和花瓣宽度,用于鸢尾属植物的不等物种(versicolor, virginica和setosa)。别的,每种物种有肆拾多少个实例,上面让大家看看样板数据遍布情形。

1. 加载鸢尾花数据集到Tensorflow上

先是介绍一下大家后日要使用的数据集:

鸢尾花数据集:Iris data set 由1四十四个样板组成。在那之中,总共有3个种类:山鸢尾(Irissetosa),虹膜锦葵(Iris virginica),变色鸢尾 (Iris versicolor) ,每一种品种四十四个样板。

下图,从左到右分别是 Iris setosa , Iris versicolor, and Irisvirginica三类花的图纸:

澳门皇家赌场 3

image_1b9suplqg7v91rva6qj1cda87u13.png-573.3kB

多少的每风流倜傥行(也等于各样样板)包括了样品的风味与项指标签。
特色有:萼片的尺寸,萼片的幅度,花瓣的长短,花瓣的幅度。
花色标签用整型数字代表:0表示萼片,1表示Iris versicolor,2表示Irisvirginica
多少格式如下:

澳门皇家赌场 4

image_1b9sruij71dl3eco10cf1laa1bgm.png-34.3kB

在机械学习的建立模型中,大家平常将数据集拆分成训练集与测量检验集,练习集用来练习模型,测验集用来测量检验模型的泛化手艺。所以这里,也将1五13个样品的数目集随机地拆分成八个部分:
(1)练习集带有1十七个样品(放在iris_training.csv文件中)
(2)测验集带有二十六个样品(放在iris_test.csv文件中)
在伊始写程序早前,要先下载好那四个数据集哦~

后天我们曾经精通了数码集大意的样本了,于是开头上代码喽~

首先,照旧先河入要用的库

from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

import tensorflow as tf
import numpy as np

进而,把下载好的练习集与测验集依据它们的路径加载的dataset中,使用的是learn.datasets.base中的load_csv_with_header(卡塔尔国那个方法。这一个法子供给传入3个参数:
(1)filename:文件路线/文件名
(2)target_dtype:标签类其余数据类型
(3)features_dtype:特征的数据类型

# 定义数据集的路径
IRIS_TRAINING = "iris_training.csv"
IRIS_TEST = "iris_test.csv"

# 加载数据集
# # 加载训练集
training_set = tf.contrib.learn.datasets.base.load_csv_with_header(
    filename=IRIS_TRAINING,
    target_dtype=np.int,
    features_dtype=np.float32)

# # 加载测试集  
test_set = tf.contrib.learn.datasets.base.load_csv_with_header(
    filename=IRIS_TEST,
    target_dtype=np.int,
    features_dtype=np.float32)

在乎,加载创设后的Dataset是命名元组,能够选择training_set.data调用训练数据集的性状数据,使用training_set.target调用操练数据集的档案的次序标签数据。对test_set的测量检验数据集也是同理。

Construct a Deep Neural Network Classifier

tf.estimator 提供了各类预订义的模型,称为Estimator,你能够利用"开箱即用"对您的多寡运转练习和评估操作。在此,你将安排叁个深度神经网络分类器模型来适应 艾丽丝 数据。使用 tf.estimator,你能够透过两行代码来实例化你的 tf.estimator.DNNClassifier

# Specify that all features have real-value data
feature_columns = [tf.feature_column.numeric_column("x", shape=[4])]

# Build 3 layer DNN with 10, 20, 10 units respectively.
classifier = tf.estimator.DNNClassifier(feature_columns=feature_columns,
                                        hidden_units=[10, 20, 10],
                                        n_classes=3,
                                        model_dir="/tmp/iris_model")

上面包车型地铁代码首先定义了模型的特征列,钦赐了数额汇总的特征的数据类型。全体的特征数据都是三番两回的,所以tf.feature_column.numeric_column 是用于协会特征列的合适函数。这里有八性情状在数据聚焦(萼片宽度,萼片长度,花瓣宽度和花瓣长度卡塔尔国,于是shape 必需安装为[4]以适应全数的多寡。

然后,代码应用以下参数创制了三个 DNNClassifier 模型:

  • feature_columns=feature_columns。下面定义的一组特征列。
  • hidden_units=[10, 20, 10]。三个 隐藏层,分别包涵10,20 和 10 神经元。
  • n_classes=3。多个目的分类,代表三种 Iris 品种。
  • model_dir=/tmp/iris_model。TensorFlow 将要模型训练期间保留检查评定数据和 TensorBoard 摘要的目录。

澳门皇家赌场 5

2. 创设深度神经网络分类模型

tf.contrib.learn提供了三种两种的预订义模型,叫做Estimators(推测器),那一个Estimator在你拟运转锻炼与评估模型的操作的时候能够实现开箱即用,也便是说,当你要运用有些模型的时候,不再需求去写她的个中逻辑,直接调用那些模型的接口,用一句代码化解即可。

于是乎,这里大家就来行使tf.contrib.learn配置二个深层神经互连网的归类模型,只要求通晓几行代码~

# 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")

以上代码首先定义了模型的特征列,而且内定了特点数据的数据类型。在上后生可畏节中大家看看有着的表征都以三回九转型变量,所以tf.contrib.layers.real_valued_column这么些函数被用来创设特征列。此外,大家的数额汇总有4特性情,故传入参数dimension=4.

跟着,以上代码应用了tf.contrib.learn.DNNClassifier那么些函数来间接营造DNN模型。(记得前面多少个笔记,无论是讲简单的归类模型softmax regression依然微微复杂的卷积神经网络,都以温馨大器晚成层后生可畏层地去写模型的逻辑布局,十一分麻烦,看!高档的API已经为大家封装好了那几个模型,大家只需求直接调用方法就行)
DNNClassifier那个法子供给传入4个参数:
(1)feature_columns=feature_columns,将刚刚预先定义好的特色列传给参数feature_columns。
(2)hidden_units=[10, 20, 10],设置蒙蔽层中的神经元个数,这里表示共有3个遮掩层,依次的神经细胞个数为10,20,10。
(3)n_classes=3,设置指标分类的个数,那些是3类,分成3种鸢尾花。
(4)model_dir=/tmp/iris_model,那是保存模型练习进程中的checkpoint检查点的数码的路线

Describe the training input pipeline

tf.estimator API 使用输入函数,成立了为了模型生成数据的 TensorFlow 操作。我们得以行使tf.estimator.inputs.numpy_input_fn来发生输入管道:

# Define the training inputs
train_input_fn = tf.estimator.inputs.numpy_input_fn(
    x={"x": np.array(training_set.data)},
    y=np.array(training_set.target),
    num_epochs=None,
    shuffle=True)

咱俩就要这里个数量集上使用神经网络创设分类模型。为了轻便起见,使用花瓣长度和花瓣宽度作为特色,且唯有两类物种:versicolor和virginica。上面就让大家在Python中慢慢训练针对性该样品数据集的神经互连网:

3. 模子拟合真实数据开展练习

上边一步创设了贰个模型,现在您能够将鸢尾花的教练数据集利用fit(State of Qatar这几个办法来拟合进模型。重要是因而传播参数的不二秘籍,将操练聚焦的特点传给x,将练习集中的标签传给y,何况定义了教练的次数(举例此处是二〇〇四遍):

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

在乎的是,模型的意况会在教练中被缓存在分类器中classifier,所以你能够坚决守护本人的喜好来分别迭代,比方,上面代码等同于上面两句代码:

classifier.fit(x=training_set.data, y=training_set.target, steps=1000)
classifier.fit(x=training_set.data, y=training_set.target, steps=1000)

Fit the DNNClassifier to the Iris Training Data

现行反革命,你曾经布署了您的 DNN classifier 模型,你能够运用 train 方法将模型拟合 Iris 演习多少。将 train_input_fn 传递给input_fn,并设置演练的次数(这里是 二零零一卡塔尔(قطر‎:

# Train model.
classifier.train(input_fn=train_input_fn, steps=2000)

模型的情事是保存在classifier,那意味着借令你赏识您能够迭代替练习练模型。举个例子,以上代码等同于以下代码:

classifier.train(input_fn=train_input_fn, steps=1000)
classifier.train(input_fn=train_input_fn, steps=1000)

然则,如若您希望在练习的进程中追踪模型,则你或然更亟待运用TensorFlow 的 SessionRunHook 来推行日志操作记录。

将Iris数据集导入python并对数据开展子集划分以保留行之间的相关性:

4.评估模型的精度

第1步导入了多少,第2步塑造了模型,第3步在练习集上进行了演练学,今后第4步,大家要去评估演习好的模型了。

评估模型的时候使用的是测量检验集,与.fit(卡塔尔国方法一般,评估模型调用.evaluate(State of Qatar方法,况兼将测量检验集的性状传入给x,测量试验集的价签传入给y,而且钦赐总结的是accuracy。

accuracy_score = classifier.evaluate(x=test_set.data, y=test_set.target)["accuracy"]
print('Accuracy: {0:f}'.format(accuracy_score))

运作以上的兼具代码,会打字与印刷出最终的精度:

Accuracy: 0.966667

每一回演习的accuracy只怕会有一点点不等同,但都应当是在五分四之上的哈~

Evaluate Model Accuracy

您早已在 Iris 训练多少上练习了你的DNNClassifier模型。现在您能够在 Iris测量试验数据上利用 evaluate 方法来检查实验模型的正确性。像train那样,evaluate 使用输入函数营造它的输入管道。evaluate回来二个带有评估结果的dict。以下代码传递 Iris 测验数据——test_set.datatest_set.targetevaluate 并从结果中打印 accuracy

# Define the test inputs
test_input_fn = tf.estimator.inputs.numpy_input_fn(
    x={"x": np.array(test_set.data)},
    y=np.array(test_set.target),
    num_epochs=1,
    shuffle=False)

# Evaluate accuracy.
accuracy_score = classifier.evaluate(input_fn=test_input_fn)["accuracy"]

print("nTest Accuracy: {0:f}n".format(accuracy_score))

注意:在这里 numpy_input_fn 中参数num_epochs=1 是很关键的。test_input_fn 将迭代数据二次,然后触发OutOfRangeError。那些乖谬表示分类器甘休评估,所以它将对输入只评估二遍。

当您运转总体脚本,它将打字与印刷相仿上面的数字:

Test Accuracy: 0.966667

您的正确性结果也许会有有些比不上,可是相应高于 70%。对于多少个相对相当小的数据集来说那并不算太差!

澳门皇家赌场 6澳门皇家赌场 7

5.预测新的数目

模型建好了,也通过了评估,今后终于到了宣战之时呢~我们要用模型与预测新的数目。

澳门皇家赌场 8

image_1b9tb7ha6oti156pplb23d128k1g.png-11.7kB

比方,现在新来了两条未知的多寡,至知道这两朵花的4天性状,却不通晓它们的类型,于是调用.predict(卡塔尔国方法举举办展览望:

# 新的两个样本
new_samples = np.array(
    [[6.4, 3.2, 4.5, 1.5], [5.8, 3.1, 5.0, 1.7]], dtype=float)

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

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

.predict(State of Qatar重临的是贰个数组,预测的结果打字与印刷出来应是之类,第二个样品为1类,第小叔子赝本为二类。

Prediction: [1 2]

将上述代码全部组成在一块儿如下:

from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

import tensorflow as tf
import numpy as np

# Data sets
IRIS_TRAINING = "iris_training.csv"
IRIS_TEST = "iris_test.csv"

# 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")

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

# Evaluate accuracy.
accuracy_score = classifier.evaluate(x=test_set.data,
                                     y=test_set.target)["accuracy"]
print('Accuracy: {0:f}'.format(accuracy_score))

# 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)))

tf.contrib.learn饱含了各体系型的纵深学习和机器学习的算法。它是从Tensorflow官方Scikit Flow直接迁移过来的,其应用的风骨与Scikit-learn相仿(用python写机器学习的同伴应该很熟习)。
从Tensorflowv0.9版本时候,tf.learn已经可以无缝与别的contrib模型结合起来使用啊~

原文:一文初探Tensorflow高端API使用(初读书人篇)

Classify New Samples

使用 estimator 的 predict() 方法来分类新的样书。举个例子,假若你有这八个新的花的样板:

Sepal Length Sepal Width Petal Length Petal Width
6.4 3.2 4.5 1.5
5.8 3.1 5.0 1.7

您能够利用predict() 方法预测它们的品类。 predict回来一个dict,你能够大致的将其转为 list 。以下代码检索并打字与印刷预测的类:

# 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=np.float32)
predict_input_fn = tf.estimator.inputs.numpy_input_fn(
    x={"x": new_samples},
    num_epochs=1,
    shuffle=False)

predictions = list(classifier.predict(input_fn=predict_input_fn))
predicted_classes = [p["classes"] for p in predictions]

print(
    "New Samples, Class Predictions:    {}n"
    .format(predicted_classes))

你的结果看起来如下:

New Samples, Class Predictions:    [1 2]

据此你的模子预测了第二个样板是Iris versicolor,而第三个样品是 Iris virginica

樱草黄点代表Versicolor物种,暗灰点代表Virginica物种。本文创设的神经互连网将要这里些多少上开展操练,以期最终能精确地分类物种。

Additional Resources

  • 欲理解越来越多关于使用 tf.estimator 创造线性模型,请查阅 Large-scale Linear Models with TensorFlow。
  • 要采取 tf.estimator APIs 创设你子集的 Estimator,请查阅Creating Estimators in tf.estimator 。
  • 为了在浏览器中达成神经网络建立模型并可视化,请查阅Deep Playground。
  • 至于神经互联网更加尖端的教程,请查阅 Convolutional Neural Networks 和Recurrent Neural Networks。

上面创设八个具备单个遮盖层的神经互连网。别的,将蒙蔽图层的大大小小设置为6:

澳门皇家赌场 9

本文由68399皇家赌场发布于最新解决方案,转载请注明出处:澳门皇家赌场初学者篇,快速入门

关键词: 68399皇家赌场 神经网络 鸢尾 模型 今日阅读

上一篇:Mysql第7部分页与实体完整性,数据完整性

下一篇:没有了

最火资讯