Tensorflow高级API的进阶--利用tf.contrib

笔记整理者：王小草
笔记整理时间：2017年2月27日
笔记对应的官方文档：https://www.tensorflow.org/get_started/input_fn#setup
官方文档最近一次更新时间2017年2月15日

---

在实际的业务中，可能会遇到很大量的特征，这些特征良莠不齐，层次不一，可能有缺失，可能有噪声，可能规模不一致，可能类型不一样，等等问题都需要我们在建模之前，先预处理特征或者叫清洗特征。那么这清洗特征的过程可能涉及多个步骤可能比较复杂，为了代码的简洁，我们可以将所有的预处理过程封装成一个函数，然后直接往模型中传入这个函数就可以啦~~~

接下来我们看看究竟如何做呢？

1. 如何使用input_fn自定义输入管道

当使用tf.contrib.learn来训练一个神经网络时，可以将特征，标签数据直接输入到.fit(),.evaluate(),.predict()操作中。比如在笔记04中就使用到了，复看一下代码：

# 将特征与标签数据载入
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)

# 然后将两个数据喂给.fit()函数去训练
classifier.fit(x=training_set.data,
               y=training_set.target,
               steps=2000)

当原始数据不需要或几乎很少需要一些额外的预处理时，使用以上的方式到也不为过。然而在实际的业务中我们往往需要去做大量的特征工程，于是tf.contrib.learn支持使用一个用户自定义的输入函数input_fn来封装数据预处理的逻辑，并且将数据通过管道输送到模型中。

1.1 解剖input_fn函数的结构

以下是一个input_fn函数的基本结构：

def my_input_fn():

    # Preprocess your data here...(首先预处理你的数据）

    # ...then return 1) a mapping of feature columns to Tensors with
    # the corresponding feature data, and 2) a Tensor containing labels
    # 然后返回新的特征数据与标签数据（都是以tensor的形式）
    return feature_cols, labels

输入函数的主体包括一个特定的预处理输入数据的逻辑，比如去除一些脏数据，弥补缺失数据，归一化等等。

输入函数的返回是两个部分：
（1）处理后的特征：feature_cols，格式是一个map，key是特征的名称，value是tensor形式的对应的特征列数据
（2）标签数据：labels，一个包含标签数据的tensor

1.2 如何将特征数据转换成tensors形式

如果你的特征/标签是存储在pandas的dataframe中或者numpy的array中的话，你就需要在返回特征与标签的时候将它们转换成tensor形式哦~那么怎么转换呢，来看一个小例子。

对于连续型数据，你可以使用tf.constant创建一个tensor:

feature_column_data = [1, 2.4, 0, 9.9, 3, 120]
feature_tensor = tf.constant(feature_column_data)

对于稀疏型数据，类别下数据，你可以使用tf.SparseTensor来创建tensor:

sparse_tensor = tf.SparseTensor(indices=[[0,1], [2,4]],
                                values=[6, 0.5],
                                dense_shape=[3, 5])

可见，tf.SparseTensor有3个参数，分别是：
（1）dense_shape
这是tensor的shape,比如dense_shape=[3，6],表示tensor有36共2个维度；dense_shape=[2,3,4]表示tensor有23*4共3个维度；dense_shape=[9]表示tensor有1个维度，这个维度里有9个元素。

（2）indices
表示在这个tensor中indices索引所在的位置是非0值，其余都是0值。比如[0,0]表示在第1行第1列的值非0.

(3)values
value是一个1维的tensor, 其元素与indices中的索引一一对应，比如indices=[[1,3], [2,4]]，values=[18, 3.6]，表示在行索引为1列索引为3的位置值为18，在行索引为2列索引为4的位置值为3.6

因此上面的代码意思一目了然了，创建一个稀疏tensor,大小是3*5，在行索引为0列索引为1的位置值为6，在行索引为2，列索引为4的位置值为0.5，其余位置值为0.

打印出来应是：

[[0, 6, 0, 0, 0]
 [0, 0, 0, 0, 0]
 [0, 0, 0, 0, 0.5]]

1.3 如何将input_fn数据传给模型

在输入函数input_fn中封装好了特征预处理的逻辑，并且也返回了新的特征与标签。那怎么把这个输入函数或者说新的特征与标签传入模型中呢？

在.fit()操作中有一个参数：input_fn，只要将我们定义好的输入函数传给这个参数即可：

classifier.fit(input_fn=my_input_fn, steps=2000)

但是，极其注意的是绝不能直接这样做：

classifier.fit(input_fn=my_input_fn(training_set), steps=2000)

如果你想直接传参数给输入函数，可以选择令爱几个方法：
（1）再写一个封装函数如下：

def my_input_function_training_set():
  return my_input_function(training_set)

classifier.fit(input_fn=my_input_fn_training_set, steps=2000)

（2）使用Python’s functools.partial方法：

classifier.fit(input_fn=functools.partial(my_input_function,
                                          data_set=training_set), steps=2000)

（3）在lambda中调用输入函数，然后将参数传入input_fn中

classifier.fit(input_fn=lambda: my_input_fn(training_set), steps=2000)

个人建议使用第三种方法。

2.案例实战

2.1 数据介绍

数据集下载地址：https://archive.ics.uci.edu/ml/datasets/Housing
这是一份预测房价的数据，我们用它去训练一个神经网络去预测房价，总共选取9个特征，数据的特征如下：

image_1b9v1tv1s49k19v21sum1fkg1ir29.png-36.8kB

要预测的标签数据是MEDV,是业主自用住宅的价格均值。

在开始建模之前，我们先去下载好 boston_train.csv（训练集）, boston_test.csv（测试集）, and boston_predict.csv（预测集）这份文件

2.2 加载数据

首先导入需要的库（包括pandas, tensorflow),并且设置logging verbosity为INFO，这样就可以获取到更多的日志信息了。

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

import itertools

import pandas as pd
import tensorflow as tf

tf.logging.set_verbosity(tf.logging.INFO)

定义一个变量COLUMNS，将所有的特征名称与类别标签名称存储成list并赋值给他。
为了区分特征名称与标签名称，同时也将它们分别春初一个变量

COLUMNS = ["crim", "zn", "indus", "nox", "rm", "age",
           "dis", "tax", "ptratio", "medv"]
FEATURES = ["crim", "zn", "indus", "nox", "rm",
            "age", "dis", "tax", "ptratio"]
LABEL = "medv"

然后，将三份数据文件都用pandas.read_csv载入：
第一个参数是数据文件的路径，第二个参数是是否需要取出前后空值，第三个参数是去除的行数，第四个参数是列名

training_set = pd.read_csv("boston_train.csv", skipinitialspace=True,
                           skiprows=1, names=COLUMNS)

test_set = pd.read_csv("boston_test.csv", skipinitialspace=True,
                       skiprows=1, names=COLUMNS)

prediction_set = pd.read_csv("boston_predict.csv", skipinitialspace=True,
                             skiprows=1, names=COLUMNS)

2.3 定义特征列并且创建回归模型

现在创建一组FeatureColumn作为输入数据，正式指定哪些特征需要被用来训练。在我们的房价预测特征中所有数据都是连续型的值，因此你可以直接使用tf.contrib.layers.real_valued_column()来创建FeatureColumn

feature_cols = [tf.contrib.layers.real_valued_column(k)
                  for k in FEATURES]

接着我们来调用DNNRegressor函数实例化一个神经网络回归模型。
这里需要提供3个参数：
feature_columns：一组刚刚定义的特征列
hidden_units：每层隐藏层的神经网络个数
model_dir：模型保存的路径

regressor = tf.contrib.learn.DNNRegressor(feature_columns=feature_cols,
                                          hidden_units=[10, 10],
                                          model_dir="/tmp/boston_model")

2.4 构建输入函数input_fn

这里我们构建一个输入函数去预处理数据，处理的内容比较简单，只是将用pandas读进来的dataframe形式的数据转换成tensor.

def input_fn(data_set):
  feature_cols = {k: tf.constant(data_set[k].values)
                  for k in FEATURES}
  labels = tf.constant(data_set[LABEL].values)
  return feature_cols, labels

2.5 训练模型

训练模型，我们调用fit()函数，并且将训练数据集training_set作为参数传入

regressor.fit(input_fn=lambda: input_fn(training_set), steps=5000)

运行代码，你会看到有如下日志打印：

INFO:tensorflow:Step 1: loss = 483.179
INFO:tensorflow:Step 101: loss = 81.2072
INFO:tensorflow:Step 201: loss = 72.4354
...
INFO:tensorflow:Step 1801: loss = 33.4454
INFO:tensorflow:Step 1901: loss = 32.3397
INFO:tensorflow:Step 2001: loss = 32.0053
INFO:tensorflow:Step 4801: loss = 27.2791
INFO:tensorflow:Step 4901: loss = 27.2251
INFO:tensorflow:Saving checkpoints for 5000 into /tmp/boston_model/model.ckpt.
INFO:tensorflow:Loss for final step: 27.1674.

2.6 评估模型

模型训练好，就到了评估的时刻了，还是用测试数据集test_set来评估

ev = regressor.evaluate(input_fn=lambda: input_fn(test_set), steps=1)

提取损失并打印：

loss_score = ev["loss"]
print("Loss: {0:f}".format(loss_score))

打印结果应如下：

INFO:tensorflow:Eval steps [0,1) for training step 5000.
INFO:tensorflow:Saving evaluation summary for 5000 step: loss = 11.9221
Loss: 11.922098

2.7 使用模型做预测

模型要是评估通过，就可以用来预测新的数据了呢，这里我们使用prediction_set这个数据集，数据中只包含了特征没有标签，需要我们去预测。

y = regressor.predict(input_fn=lambda: input_fn(prediction_set))

# .predict() returns an iterator; convert to a list and print predictions

predictions = list(itertools.islice(y, 6))
print ("Predictions: {}".format(str(predictions)))

打印结果如下：

Predictions: [ 33.30348587  17.04452896  22.56370163  34.74345398  14.55953979
  19.58005714]

原文： Tensorflow高级API的进阶-利用tf.contrib.learn建立输入函数