TensorFlow入门(2):使用DNN分类器对数据进行分类

背景

上一篇《TensorFlow入门:求N元一次方程》根据官网的入门教程,使用基础的API稍作修改解决了N个数据的权重问题,再继续看官网后面的教程,有一篇高级API入门教程教我们如何使用DNN(深度神经网络)分类器实现对鸢尾花的分类。刚看到这篇文章的时候,中间出现了几种鸢尾花的图案,我还以为输入是图片,API会进行图片识别,后来发现输入的训练集只是一组组特征数据(包含花萼的长度宽度和花瓣的长度宽度)对应分类,可以看做能够解决这样的一个问题:给定一组特征数据,求这组数据的分类。

和之前一样,先分析一下原文中的示例,很多文章对原文中的示例进行翻译,但是并没有举一反三,这样其实学习效果并不好,本文会在学习后使用原文的方法,解决一个新的问题。

由于作者能力有限,目前仅停留在使用阶段,先培养机器学习思维方式,对于原理部分,可以参考其他的资料。能保证的是,阅读本文不会让你过于枯燥,也不会很难,我的宗旨是用简单的语言将复杂的问题说清楚。

原文示例

原文链接在这里,我们先逐行分析一下,首先进行必要的包含工作,我对python不是特别熟悉,前面这3行我还专门去查了一下是什么含义,具体可以参考这篇文章

然后定义训练集和测试集的路径,这次的数据是以csv的格式加载进来:

然后进入到主函数,主函数首先是将训练集和测试集的csv文件下载下来:

下载下来的文件可以打开看看,我们打开训练集:

可以发现首行的格式看起来并不是一个表头,这个格式是有规范的,但是原文没有讲,我们继续往后看它是怎么读取的:

TensorFlow使用tf.contrib.learn.datasets.base.load_csv_with_header对CSV文件进行读取,它有3个参数:

  • filename:CSV文件名
  • target_dtype:目标数据的类型,本例中为分类ID,使用整形表示
  • features_dtype:特征值的类型,本例中是花萼花瓣的长宽度,使用浮点数表示

打开load_csv_with_header的源代码,可以看到它的实现方式:

这样就很清楚了,使用load_csv_with_header函数读取的CSV文件首行前两列分别表示数据组的个数和每个数据组的特征数,训练集中一共有120组数据,每组数据包含4个特征。首行的另外3个数据,实际上并不会读取到。具体的特征数据从第二行开始,最后一列为目标值(即训练完毕后期望的输出值),前面的4列为特征数据(即训练完毕后的输入值),这个4必须和第一行第二列相等,否则就会读取失败了。

数据读取完毕后,可以把结果打印出来看看:

因为篇幅问题,上面省略了很多数据,可以看到和load_csv_with_header代码中一致,结果为一个Dataset结构,其中data为120组数据,每组数据包含4个特征值,而target为一个长度为120的数组,表示这120组数据的分类。

这样就完成了训练集和测试集的数据加载工作,之后创建一个DNN分类器:

这段代码,我目前的知识还无法理解全部参数的含义,先看看第一行real_valued_column的参数:

  • column_name填的是””,这个我还不明白有什么作用
  • dimension填4,对应每组数据有4个特征值。

DNNClassifier的参数:

  • feature_columns:把之前创建的特征列传入,具体有什么含义还没深入理解。
  • hidden_units:每层神经元数量,跟DNN原理有关。
  • n_classes:目标的类型的个数,目前是3个。
  • model_dir:训练模型保存的路径,这个很重要。

然后要构造一个输入函数,用于将训练数据输入到TensorFlow中用来训练,这个函数返回2个Tensor数据,一个是大小为[120,4]的输入数据,表示120组数据,每组数据包含4个特征值,还有就是120个输出数据,这120组数据用于训练模型。因为返回的数据是Tensor常量,直接打印会显示出他们的属性:

如果想看看他们的值,可以创建一个Session执行一下:

接下来就开始训练,使用classifier的fit函数进行训练,次数为2000次:

训练的结果会保存在之前创建classifier传入的model_dir中,本例中是”/tmp/iris_model”,这是一个目录,训练结束后,可以看到该目录保存了一些数据:

如果再执行2000次训练,会发现目录中数据量增加:

可见,训练的结果在执行完训练后,就已经保留下来了,后续对于数据的分类,可以直接使用当前的训练数据而不用重新训练:

训练结束后,通过30组测试集来对训练效果进行测试,与训练时一样,同样构建一个数据输入函数get_test_inputs,将数据和结果传入,使用classifier.evaluate对数据进行测试:

注意到例子中把classifier.evaluate返回的结果的”accuracy”字段打印出来,其实返回的结果是一个字典,可以打印出来看看是什么:

可以看到打印结果中有损失函数、训练次数、准确率和AUC信息,auc信息我还不太能理解它的具体含义,但是可以看做是评价模型效果的一个指标,有兴趣的同学可以顺手Google一下。

可以看到测试集的准确率是96.67%,总共30个测试数据,错了1个。

那么未来对于单个输入数据,我们怎么使用训练好的模型对其进行分类呢?继续看代码:

还是创建一个输入函数,把数据传入,使用classifier.predict对数据进行分类,返回值是一个生成器generator,所以用list包一下,结果为:

表示这2组数据分别被分类为1和2。

这就是我对于官方的DNN分类器示例的一些理解,希望能帮助读者学习,完整代码:

举一反三

学习了DNN分类器的用法之后,我们可以用它来做什么呢?先随便举个例子吧,给出一个坐标,输出它所在的象限,比如(1,1)的象限为1,(1,-1)的象限为4,其中比较特殊的,令在坐标轴上的数据点的象限为0,比如(0,1)和(0,0)的象限输出为0。

要完成这个测试,首先要生成训练集和测试集csv文件,使用一个gen_data函数生成数据,首行为数据组数和特征的数量,在本例中,特征数量为2。我们使用随机数生成一个坐标(x,y),它们的值限制在[-10,10)的范围内,x和y低于0.2的部分,将其置为0,用来表示坐标轴上的点:

在main函数中,判断数据文件是否存在,不存在则生成数据,其中训练集包含2000个数据,测试集包含5000个数据:

训练的内容和前面的例子几乎完全没有变化,这里我认为可以调整的参数有神经网络的层数以及每层的神经元数,这个目前我还没有经验对其进行调整:

最后传入几个测试数据,由模型对数据进行分类,这样可以直观的看到训练的效果,其中包含了几个在训练集中没有的数据,训练集中的坐标点绝对值都限制在10以内,测试中传入了坐标值为100的点,看是否能够得到正确的结果:

完整代码如下:

执行上述代码,每执行一次,程序会训练2000次,多次执行,可以逐步提高训练准确度,首次执行的结果如下:

可以看到达到了99.88%的准确度,手工传入的测试数据全部正确,可见效果确实很不错。

再多执行几次程序,提高训练的次数,loss函数值会越来越小,分类准确率越来越高。本例中,在进行14000次训练后,准确度达到了100%:

在我的机器上,执行2000次训练耗时将近8s,14000次差不多耗时1分钟,在训练完毕后,如果只是需要对数据进行分类,则耗时可以降低到0.5s左右,其中加载训练数据耗时0.22s,对数据进行分类耗时0.2s,其他则是脚本本身的开销。从这里也可以看到,DNN分类器的训练过程是比较耗时的,具体执行的过程并不算特别耗时。

学会使用DNN分类器之后,如果有一些数据,有几个输入特征值,需要将其分类,就可以采用DNN分类器很方便地对其进行处理,前提是训练的数据集数量足够,这样才能达到比较好的训练效果。
比如我能想到的一个例子是文字识别,或者验证码识别,通过对图像的特征描述,达到识别文字或者验证码的目的。特征可以是简单的文字二维点阵描述,或者复杂点,描述为文字中封闭区域,转折的数量、方向等。其他还有很多问题可以通过DNN分类器解决,了解这个工具后,遇到问题时可以想想能否用这些机器学习的工具帮忙解决问题,在使用过程中,逐步理解各种神经网络的知识,如果直接看理论,难度很大也很枯燥,在实践中学习会更加容易,记忆也更加深刻,这也是我学习TensorFlow的一个目的。

参考资料
anyShare分享到:

原文地址:http://godmoon.wicp.net/blog/index.php/post_484.html,转载请注明出处

Moon发表于2017年4月24日
打赏作者

您的支持将鼓励我们继续创作!

[微信] 扫描二维码打赏

[支付宝] 扫描二维码打赏

发布者

sytzz

学会用简单的语言将复杂的问题说清楚。

发表评论

电子邮件地址不会被公开。