预演：使用 TensorFlow 进行深度学习，预演tensorflow,从近些年的发展来看，“社
预演：使用 TensorFlow 进行深度学习，预演tensorflow,从近些年的发展来看，“社
深度学习：趋势
如今，流行语已经覆盖全球。从近些年的发展来看，“社交媒体”“物联网”加上现在的“深度学习”，都是当今流行的趋势。让我们一起来看下过去十多年间，世界计算机科学领域的研究内容。
从学术角度出发，我对研究领域做了个比较，深度学习占据第一位，紧随其后的是算法分析，计算机安全排第三，人工智能排在第四，这有点让人难以相信。排在最后的是电脑绘图，看来大家对它不怎么感兴趣。
TensorFlow: 为什么是它?
我运用深度学习的知识解决过相关的问题，但只用了不到一周的时间，如果我现在就撰写一篇学术性的文章，显然会班门弄斧。作为开发者，我想分享一下，我是如何通过深度学习编写 TensorFlow 的，这样比较实在。
我曾使用过 Theano (短暂性的)，而现在，我正在考虑使用哪款工具链比较好，也在考虑是否使用 H2O 堆，前者在世界范围内有一个很大的社区，后者则相形见绌。然而，不管怎么样，从统计图的峰值来看，谷歌的 TensorFlow 在宣传炒作上一定下了血本，也非常注重性能的提升及开发者关系的维护。显然，他们在维护从业人员关系上也花了不少心思。再顺便说一句，Theano 和 TensorFlow 都兼容 GPU。
数据集和预期结果
因为汽车评估数据集是对外公开的，所以像我这样的小白都可轻松获取。不信你也可以试试。数据集是人们就汽车使用情况进行的一项调查，它获得用户对汽车的一些反馈，如汽车价格，保养费用，车门数和容纳人数等。
样品数据如下：
Pythonvhigh,vhigh,2,2,small,low,unacc vhigh,vhigh,2,2,small,med,unacc vhigh,vhigh,2,2,small,high,unacc vhigh,vhigh,2,2,med,low,unacc vhigh,vhigh,2,2,med,med,unacc ...
我写的程序能够解析CSV格式的数据文件，然后通过反向传播生成一个多层的感知器模型，以便它能模仿人类智力，在遇到隐藏数据点时自动进行处理。
这个程序的输出应如下所示（也存在例外情况）：
Python
Shape: (1727, 7)
Data types:
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1727 entries, 0 to 1726
Data columns (total 7 columns):
vhigh 1727 non-null int8
vhigh.1 1727 non-null int8
2 1727 non-null int8
2.1 1727 non-null int8
small 1727 non-null int8
low 1727 non-null int8
unacc 1727 non-null int8
dtypes: int8(7)
memory usage: 11.9 KB
Top 5 rows:
vhigh vhigh.1 2 2.1 small low unacc
0 3 3 0 0 2 2 2
1 3 3 0 0 2 0 2
2 3 3 0 0 1 1 2
3 3 3 0 0 1 2 2
4 3 3 0 0 1 0 2
Data statistics:
count mean std min 25% 50% 75% max
vhigh 1727.0 1.499131 1.118098 0.0 0.5 1.0 2.0 3.0
vhigh.1 1727.0 1.499131 1.118098 0.0 0.5 1.0 2.0 3.0
2 1727.0 1.500869 1.118098 0.0 1.0 2.0 2.5 3.0
2.1 1727.0 1.000579 0.816615 0.0 0.0 1.0 2.0 2.0
small 1727.0 0.999421 0.816615 0.0 0.0 1.0 2.0 2.0
low 1727.0 1.000000 0.816970 0.0 0.0 1.0 2.0 2.0
unacc 1727.0 1.552982 0.876136 0.0 1.0 2.0 2.0 3.0
-
Accuracy on test dataset: 1.000000
Accuracy on training dataset: 1.000000
最后两行的输出比其他任何一项都要更具相关性。基本来说，进行的训练在规定时间内100%预测其产出等级。虽然，我们的测试目标是使得精准度最大化，但在实际操作中总会遇到障碍，最大的障碍就是我们用来训练和测试的数据的随机性。一般说来，数据输出的第一部分是统计数据，只为我们提供参考信息，你可自行忽略。
如果你仔细观察，你很快会发现，数据集在我们的输出内容里是随着数字呈现而改变的，尤其是前5行。
TensorFlow 工具链
目前 TensorFlow 的工具链还不完整，但谷歌还是在努力尝试为 TensorFlow 引入一套完整的。我认为他们这样做是对的。TensorFlow很有趣，但是它显然过于简单，对开发者的产出有所限制。因此，Google 已经开始搭建 TFLearn，又受 Scikit Learn 激发为 TensorFlow 设计了 API——这些代码编写非常有趣。还有一些其他我用过的工具，有了关于 TFLearn 和 Scikit 的学习，用这些工具能很快搭建环境。
搭建环境
首先，从这里下载，打开终端，执行以下步骤：
cd downloaded_folder virtualenv . source bin/activate pip install -r requirements.txt
现在你已经拥有所有安装所需程序包，接下来，通过运行 python main.py.，你能看到一个类似我之前展现的输出。
代码预排
代码包括以下四个文件：
- car-data.csv: 你就可将其理解为数据集；
- requirements.txte: 此文件包含安装所需程序包列表；
- main.py:代码的入口点；
- categorical_dnn.py:包含所有深度学习逻辑的类别
main.py 包含的内容相对比较直白。因为它仅仅举例说明 CategoricalDNN 类，以及传递一些重要的参数。我们可以从此处了解比例，训练规模和迭代次数等。通过培训规模可知有多少比例的数据会被用来培训和其他测试。
from categorical_dnn import CategoricalDNN
LEARNING_RATE = 0.1
TRAINING_SIZE = 0.75 # 75%;
ITERATIONS = 1800
def main():
dnn = CategoricalDNN('car-data.csv', TRAINING_SIZE, LEARNING_RATE,
ITERATIONS)
dnn.data_insights()
dnn.train()
if __name__ == "__main__":
main()
CategoricalDNN 类假定调用程序没有关于数据的线索，这一点很关键，因为它表面了类别本身是否能够从数据中提取内容，对自身进行处理和升级。不用说，这样更有利于数据分类。
无条件DNN
我们先查看一下这个类中会用到的包：
Pythonimport pandas as pd import tensorflow as tf import tensorflow.contrib.learn as tflearn from sklearn import metrics from sklearn.cross_validation import train_test_split import os.path import numpy as np
互补的内联注释能让代码更通俗易懂，而我们讨论的重点是其调用的顺序。
预处理数据
首先，_load_csvis （应该）是一个私有方法，使用 pandas 加载 CSV 到内存。然后继续计数数据集包含的列的数目。假设最后一列包含 label 或 class 信息，对应的数据集则需要被预演。
Python
def _load_csv(self):
# Loading CSV into the system using Pandas
self._input_map = []
self._raw_data = pd.read_csv(self._file_name, sep=',',
skipinitialspace=True)
self._datadim = len(self._raw_data.columns)
# Find uniques in the last column aka. `label` or `class`
self._classes = self._raw_data[
self._raw_data.columns[self._datadim - 1]
].unique()
# Create a map of all unique values by columns
for i in range(self._datadim):
self._raw_data[self._raw_data.columns[i]] = \
self._convert_categorical_nominal(self._raw_data, i)
最后一列包含了唯一的类，它是设计分类器的一个重要度量标准，这里再次用到了 pandas 。最后，所有的列都被循环，所有字符串都会被转换成各自的分类值以供我们的分类器处理。实际上， pandas 技巧 完美地做到了 heavy-lifting 。
混合和分解
现在将数据集随机化，并分解成之前在 TRAINING_SIZE 中定义的比率。
Python
def _shuffle_split(self):
self._raw_data.iloc[np.random.permutation(len(self._raw_data))]
self._testdata, self._traindata = train_test_split(
self._raw_data, test_size=self._training_size)
# TF Learn / TensorFlow only takes int32 / int64 at the moment
# as oppose to int8
self._train_label = [int(row) for row in self._traindata[
self._raw_data.columns[self._datadim - 1]]]
self._test_label = [int(row) for row in self._testdata[
self._raw_data.columns[self._datadim - 1]]]
self._traindata = self._traindata.ix[:, range(self._datadim - 1)]
self._testdata = self._testdata.ix[:, range(self._datadim - 1)]
因为分类器只能使用 int32 / int64 工作，因此，我们需要转换预演和测试标签。这样也能确保标签最终不会被送入分类器，但它们在最后两行会被过滤掉。
培训模式和性能测试
现在我们已经完成预演前的所有准备工作，下一步就是设计网络。隐藏层只要合理，并能产出更好的结果，怎么安排都可以。但是根据我们的观察，以下的设计最为合适。当然还存在许多其他的优化方案，但在此我不做过多讨论。
Python
def train(self):
# The rule: my own rule aka. own intuition
hidden_Layers = [self._datadim - 1,
((self._datadim - 1) + len(self._classes)) / 2,
len(self._classes)]
classifier = tflearn.DNNClassifier(hidden_units=hidden_Layers,
n_classes=len(self._classes),
activation_fn=tf.nn.relu)
classifier.learning_rate = self._learning_rate
classifier.fit(self._traindata, self._train_label, steps=self._iterations)
我将 ReLU 作为激活函数，可以按要求进行 tanh,sigmoid,softmax 等。既然模型已经设定好了，现在我们开始测试它的性能：
Python
score = metrics.accuracy_score(self._test_label,
classifier.predict(self._testdata))
print 'Accuracy on test dataset: %f' % score
score = metrics.accuracy_score(self._train_label,
classifier.predict(self._traindata))
print 'Accuracy on training dataset: %f' % score
我们还是使用了 Scikit 来测试模型的准确度。
总结
在这篇文章中，我介绍了 TensorFlow 的基本分类的深度神经网络的预演，当然，这只是很基础的一部分。如果你想学习更多，之后我也会做与代码的重要模块相关的介绍。希望能对你有帮助。
你可点击此处获取更多信息。
相关内容
- 你好，TensorFlow，你好tensorflow,未经许可，禁止转载！英
- TensorFlow与中文手写汉字识别，tensorflow汉字识别,具体在
- TensorFlow 实战：Neural Style，tensorflowneural, TensorFlow是
- 图解机器学习：神经网络和 TensorFlow 的文本分类，神经
- 实现属于自己的TensorFlow(1)：计算图与前向传播，属于自
- 实现属于自己的TensorFlow(二) - 梯度计算与反向传播，
- TensorFlow变量管理详解，tensorflow变量详解
- tensorflow获取变量维度信息，tensorflow变量维度
- python使用TensorFlow进行图像处理的方法，pythontensorflow
- TensorFlow实现RNN循环神经网络，tensorflowrnn
评论关闭