Tensorflow#3 DNNを用いたIris分類器の構築

1はじめに
この文章は主にTensorflow公式のAPIドキュメントに基づいて整理された.本論文の主な目的はTensorflowが提供する機械学習APIを用いてニューラルネットワークに基づく分類器を構築し,古典的なIris分類データを分類することである.ここでの高級APIは主にtf.contrib.learnに提供されるAPIを指し、
2ステップ
まず、基本的な手順を説明します.

元データセットのCSVからデータを読み出し、Tensorflowの

にロードする.

ニューラルネットワークに基づく分類器

を構築する

訓練データを用いたモデル訓練

試験データを用いたモデル評価

訓練されたモデルを用いて新しいデータを分類する

2.1データロード
Irisというデータセットは、皆さんも上を見ていることが多いと思いますが、ここでは詳しく紹介せず、基本的な状況だけを説明します.このデータセットには150行のデータが含まれており,3つの異なるIris品種がある.各行のデータには品種の表示情報のほか,萼片の長さ,幅などのパラメータも含まれている.ここで、これらのデータは事前にトレーニングセットとテストセットに分けられ、それぞれ120行と30行A training set of 120 samples(iris_training.csv)である.
Atest set of 30 samples (iris_test.csv)..
これらのデータを準備したら、まず最初のコードを完成し、Tensorflowを導入し、データをロードします.

#coding:utf-8

from __future__ import absolute_import

from __future__ import division

from __future__ import print_function



import tensorflow as tf

import numpy as np



#         

IRIS_TRAINING = "iris_training.csv"

IRIS_TEST = "iris_test.csv"



#   Tensorflow           
，target_type    label   ，    012    ，   int
training_set = tf.contrib.learn.datasets.base.load_csv(filename=IRIS_TRAINING,

                                                       target_dtype=np.int)

test_set = tf.contrib.learn.datasets.base.load_csv(filename=IRIS_TEST,

                                                   target_dtyp
e=np.int)

トレーニングデータとテストデータセットでは、.dataでフィーチャーにアクセスしたり、.targetでラベルにアクセスしたりすることができます.この2つの部分は後述します.
2.2深さニューラルネットワーク分類器の作成
tf.contrib.learnは多くの実装済みモデルを提供しています.ここではEstimatorsと呼ばれています.これらの定義済みモデルを通じて、これらのモデルとあなたのデータに基づいて迅速に分析することができます.ここではDNNClassifierを使用したDNN分類器を作成します.

#     4   ，  real-value 
feature_columns = [tf.contrib.layers.real_valued_column("", dimension=4)]

#     DNN   ，3 ，               10，20，10，     3 ，         
classifier = tf.contrib.learn.DNNClassifier(feature_columns=feature_columns,
                                            hidden_units=[10, 20, 10],
                                            n_classes=3,
                                            model_dir="/tmp/iris_model")

ここでは生命の各行(すなわち対応する各サンプル)の特徴的な値を取る必要があります.ここではreal-valueを使用してDNnClassifierを構築する際に、hidden_を直接通過することができる3層を構築しました.units特定のレイヤ数とレイヤごとの値を指定n_classnesの場所は私たちが3分類の問題でmodelであることを示しています.dir位置は、ディレクトリで、TensorflowはいくつかのCheckpointを保存することができて、このようにTensorflowはいつでも訓練状況を保存することができます(また一時停止してから訓練を続けることもできます)
2.3トレーニングモデル
ここではfit法を用いてモデルにデータを直接埋め込み,訓練を行う.

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

2.4モデル評価
ここでは、休暇の精度を測定する方法が必要です.ここでも、テストデータセットを直接提供し、彼の方法を呼び出すと、最終的には約96%の結果が表示されます.

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

2.5新しいデータセットの予測
我々はモデルを訓練した後,このモデルを用いて一定のデータ予測を行うことができる.

#            
new_samples = np.array(
    [[6.4, 3.2, 4.5, 1.5], [5.8, 3.1, 5.0, 1.7]], dtype=float)
y = classifier.predict(new_samples)
print('Predictions: {}'.format(str(y)))

3完全なコード

#coding:utf-8
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

import tensorflow as tf
import numpy as np

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

#   Tensorflow           
training_set = tf.contrib.learn.datasets.base.load_csv(filename=IRIS_TRAINING,
                                                       target_dtype=np.int)
test_set = tf.contrib.learn.datasets.base.load_csv(filename=IRIS_TEST,
                                                   target_dtype=np.int)

#     4   ，  real-value 
feature_columns = [tf.contrib.layers.real_valued_column("", dimension=4)]

#     DNN   ，3 ，               10，20，10，     3 ，         
classifier = tf.contrib.learn.DNNClassifier(feature_columns=feature_columns,
                                            hidden_units=[10, 20, 10],
                                            n_classes=3,
                                            model_dir="/tmp/iris_model")

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

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

#            
new_samples = np.array(
    [[6.4, 3.2, 4.5, 1.5], [5.8, 3.1, 5.0, 1.7]], dtype=float)
y = classifier.predict(new_samples)
print('Predictions: {}'.format(str(y)))