鸢尾花程序premade_estimator.py主要有以下六大功能：_
1，导入和解析数据集。
2，创建特征列以描述数据。
3，创建并指定模型类型。
4，训练模型。
5，评估模型的效果。
6，让经过训练的模型进行预测。
很多基于TensorFlow的机器学习程序，也基本就是这六大功能。前面我们已经分析了1，导入和解析数据集 和 2，创建特征列以描述数据。
本文主要分析：3，创建并指定模型类型。
要指定模型类型，需要实例化一个 Estimator 类。TensorFlow 提供了两类 Estimator：
预创建的 Estimator：TensorFlow已为编写完成。
自定义 Estimator：必须自行编码（至少部分需要）
High-Level TensorFlow API主要就是创建和操作Estimator类
TensorFlow API 构架
查看Module: tf.estimator 文档（耐心阅读文档，是一个好习惯），可以发现Estimator里面内建了深度神经网络模型，如下图所示：
tf.estimator.DNNClassifier
创建代码如下图所示：
该代码非常清晰，功能是创建一个具有2个隐藏层，每个隐藏层具有10个神经元的深度神经网络（DNN），分类的数量是：3。
tf.estimator.DNNClassifier 的初始化方法__init__如下：
__init__方法
hidden_units: 指定隐藏层的层数和每层的神经元数，所有隐藏层都是全连接层（All layers are fully connected）。例如：输入 [10,5,5]表示，有三个隐藏层，第一层10个神经元，第二层5个神经元，第三层5个神经元。
feature_columns：特征列
model_dir：保存模型参数的路径
n_classes：特征标签种类的数量，默认值为2，即二元分类。若分三类，则n_classes设置为3。
weight_column：定义特征列的权重，默认值None
optimizer：优化器，默认为Adagrad，参考《AI数学基础23：Adam=Momentum+RMSprop》
activation_fn：激活函数，默认为relu, 参考《AI常用激活函数分析4，Relu函数与Leaky Relu函数》
dropout：一种正则化（regularization technique）方式，防止在训练过程中的过拟合现象，默认为None，参考《What is dropout in deep learning?》
warm_start_from：A string filepath to a checkpoint to warm-start from
loss_reduction：描述如何减少训练损失，默认值是SUM；可选项有：MEAN，NONE，SUM，SUM_BY_NONZERO_WEIGHTS，SUM_OVER_BATCH_SIZE，SUM_OVER_NONZERO_WEIGHTS
到此，我们分析完3，创建并指定模型类型。
网友评论