TensorFlow的high-level机器学习API(tf.estimator)可以轻松配置、训练和评估各种机器学习模型。在本教程中，您将使用tf.estimator构造一个神经网络分类器，在iris数据集上进行训练并根据萼片/花瓣几何学参数预测花的种类。您将编写代码来执行以下五个步骤：

1. 将包含iris训练/测试数据的CSV加载到TensorFlow中的Dataset
2. 构建一个神经网络分类器
3. 使用训练数据训练模型
4. 评估模型的准确性
5. 分类新样品

注意：在开始本教程之前，请在你的机器上安装TensorFlow。

完整的神经网络源代码

以下是神经网络分类器的完整代码：

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

import os
from six.moves.urllib.request import urlopen

import numpy as np
import tensorflow as tf

# Data sets
IRIS_TRAINING = "iris_training.csv"
IRIS_TRAINING_URL = "http://download.tensorflow.org/data/iris_training.csv"

IRIS_TEST = "iris_test.csv"
IRIS_TEST_URL = "http://download.tensorflow.org/data/iris_test.csv"

def main():
  # If the training and test sets aren't stored locally, download them.
  if not os.path.exists(IRIS_TRAINING):
    raw = urlopen(IRIS_TRAINING_URL).read()
    with open(IRIS_TRAINING, "wb") as f:
      f.write(raw)

  if not os.path.exists(IRIS_TEST):
    raw = urlopen(IRIS_TEST_URL).read()
    with open(IRIS_TEST, "wb") as f:
      f.write(raw)

  # Load datasets.
  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)

  # Specify that all features have real-value data
  feature_columns = [tf.feature_column.numeric_column("x", shape=[4])]

  # Build 3 layer DNN with 10, 20, 10 units respectively.
  classifier = tf.estimator.DNNClassifier(feature_columns=feature_columns,
                                          hidden_units=[10, 20, 10],
                                          n_classes=3,
                                          model_dir="/tmp/iris_model")
  # Define the training inputs
  train_input_fn = tf.estimator.inputs.numpy_input_fn(
      x={"x": np.array(training_set.data)},
      y=np.array(training_set.target),
      num_epochs=None,
      shuffle=True)

  # Train model.
  classifier.train(input_fn=train_input_fn, steps=2000)

  # Define the test inputs
  test_input_fn = tf.estimator.inputs.numpy_input_fn(
      x={"x": np.array(test_set.data)},
      y=np.array(test_set.target),
      num_epochs=1,
      shuffle=False)

  # Evaluate accuracy.
  accuracy_score = classifier.evaluate(input_fn=test_input_fn)["accuracy"]

  print("\nTest Accuracy: {0:f}\n".format(accuracy_score))

  # Classify two new flower samples.
  new_samples = np.array(
      [[6.4, 3.2, 4.5, 1.5],
       [5.8, 3.1, 5.0, 1.7]], dtype=np.float32)
  predict_input_fn = tf.estimator.inputs.numpy_input_fn(
      x={"x": new_samples},
      num_epochs=1,
      shuffle=False)

  predictions = list(classifier.predict(input_fn=predict_input_fn))
  predicted_classes = [p["classes"] for p in predictions]

  print(
      "New Samples, Class Predictions:    {}\n"
      .format(predicted_classes))

if __name__ == "__main__":
    main()

以下部分详细介绍了代码。

将Iris CSV数据加载到TensorFlow

该iris数据集包含150行数据，包括来自三个相关iris种类的每一类50个样本：iris setosa，iris virginica，和iris versicolor。

从左到右，iris setosa(通过Radomil，CC BY-SA 3.0)，iris versicolor(通过Dlanglois，CC BY-SA 3.0)和iris virginica(通过弗兰克梅菲尔德，CC BY-SA 2.0)。

每行包含每个花样的以下数据：萼片长度，萼片宽度，花瓣长度，花瓣宽度和花卉种类。花种以整数表示，0表示iris setosa，1表示iris versicolor，2表示iris virginica。

对于本教程，iris数据已被随机分成两个独立的CSV：

• A training set of 120 samples
  (iris_training.csv)
• A test set of 30 samples
  (iris_test.csv).

要开始，首先导入所有必要的模块，并定义下载和存储数据集的位置：

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

import os
from six.moves.urllib.request import urlopen

import tensorflow as tf
import numpy as np

IRIS_TRAINING = "iris_training.csv"
IRIS_TRAINING_URL = "http://download.tensorflow.org/data/iris_training.csv"

IRIS_TEST = "iris_test.csv"
IRIS_TEST_URL = "http://download.tensorflow.org/data/iris_test.csv"

然后，如果训练和测试集尚未存储在本地，则下载它们。

if not os.path.exists(IRIS_TRAINING):
  raw = urlopen(IRIS_TRAINING_URL).read()
  with open(IRIS_TRAINING,'wb') as f:
    f.write(raw)

if not os.path.exists(IRIS_TEST):
  raw = urlopen(IRIS_TEST_URL).read()
  with open(IRIS_TEST,'wb') as f:
    f.write(raw)

接下来，将训练和测试集加载到Dataset，使用load_csv_with_header()方法learn.datasets.base。load_csv_with_header()方法需要三个必需的参数：

• filename，CSV文件路径
• target_dtype，这需要numpy数据类型的数据集的目标值。
• features_dtype，这需要numpy数据类型数据集的特征值。

在这里，目标(你正在训练模型来预测的值)是花的种类，它是一个0-2的整数，所以适当的numpy数据类型是np.int：

# Load datasets.
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)

Dataset在tf.contrib.learn中，是命名元组;您可以通过data和target字段访问功能数据和目标值。这里，training_set.data和training_set.target分别包含训练集的特征数据和目标值test_set.data和test_set.target包含测试集的特征数据和目标值。

之后，在“用DNNClassifier拟合iris训练数据”你会用training_set.data和training_set.target训练你的模型，用test_set.data和test_set.target“评估模型的准确性”。

构建深度神经网络分类器

tf.estimator提供了各种预定义的模型，称为Estimators，您可以使用“开箱即用”对数据进行训练和评估操作。在这里，您将配置深度神经网络分类器模型以拟合Iris数据。使用tf.estimator，你可以实例化你的tf.estimator.DNNClassifier只需要几行代码：

# Specify that all features have real-value data
feature_columns = [tf.feature_column.numeric_column("x", shape=[4])]

# Build 3 layer DNN with 10, 20, 10 units respectively.
classifier = tf.estimator.DNNClassifier(feature_columns=feature_columns,
                                        hidden_units=[10, 20, 10],
                                        n_classes=3,
                                        model_dir="/tmp/iris_model")

上面的代码首先定义模型的特征列，它指定数据集中特征的数据类型。所有的特征数据都是连续的，tf.feature_column.numeric_column是用于构造特征列的适当函数。数据集中有四个特征(萼片宽度，萼片高度，花瓣宽度和花瓣高度)，因此shape必须设置为[4]保存所有数据。

然后，代码创建一个DNNClassifier模型，使用以下参数：

• feature_columns=feature_columns。特征列。
• hidden_units=[10, 20, 10]。三隐藏的图层，分别含有10,20和10个神经元。
• n_classes=3。三个目标类，代表三个iris种类。
• model_dir=/tmp/iris_model。 TensorFlow将在模型训练期间保存检查点数据和TensorBoard摘要的目录。

描述训练输入的pipeline

该tf.estimatorAPI使用输入函数，这些函数创建生成模型数据的TensorFlow操作。我们可以用tf.estimator.inputs.numpy_input_fn生产输入管道：

# Define the training inputs
train_input_fn = tf.estimator.inputs.numpy_input_fn(
    x={"x": np.array(training_set.data)},
    y=np.array(training_set.target),
    num_epochs=None,
    shuffle=True)

使用DNNClassifier拟合Iris训练数据

现在你已经配置了你的DNNclassifier模型，你可以用它来拟合Iris训练数据，使用train方法。传入train_input_fn作为input_fn，以及要训练的步数(这里是2000)：

# Train model.
classifier.train(input_fn=train_input_fn, steps=2000)

模型的状态保存在classifier这意味着如果你喜欢，你可以反复训练。例如，上面的代买和以下内容相当：

classifier.train(input_fn=train_input_fn, steps=1000)
classifier.train(input_fn=train_input_fn, steps=1000)

但是，如果您想在训练时跟踪模型，则可能需要使用TensorFlowSessionRunHook执行日志记录操作。

评估模型的准确性

完成模型训练之后，就可以检查Iris测试数据的准确性了，使用evaluate方法。跟train一样，evaluate需要一个输入函数来建立它的输入管道。evaluate返回一个dict保存的评估结果。以下代码将Iris测试数据 – test_set.data和test_set.target传入evaluate并打印accuracy结果：

# Define the test inputs
test_input_fn = tf.estimator.inputs.numpy_input_fn(
    x={"x": np.array(test_set.data)},
    y=np.array(test_set.target),
    num_epochs=1,
    shuffle=False)

# Evaluate accuracy.
accuracy_score = classifier.evaluate(input_fn=test_input_fn)["accuracy"]

print("\nTest Accuracy: {0:f}\n".format(accuracy_score))

当你运行完整的脚本时，它会打印出一些接近的内容：

Test Accuracy: 0.966667

您的结果准确性可能会有所不同，但应该高于90％。在一个相对较小的数据集上，这个效果已经很不错了！

分类新样本

使用估算器predict()方法分类新样本。例如，假设你有这两个新的花样本：

你可以用predict()方法来预测它们的种类。predict返回一个字符串生成器，它可以很容易地转换为列表。以下代码检索并打印类的预测结果：

# Classify two new flower samples.
new_samples = np.array(
    [[6.4, 3.2, 4.5, 1.5],
     [5.8, 3.1, 5.0, 1.7]], dtype=np.float32)
predict_input_fn = tf.estimator.inputs.numpy_input_fn(
    x={"x": new_samples},
    num_epochs=1,
    shuffle=False)

predictions = list(classifier.predict(input_fn=predict_input_fn))
predicted_classes = [p["classes"] for p in predictions]

print(
    "New Samples, Class Predictions:    {}\n"
    .format(predicted_classes))

你的结果应该如下所示：

New Samples, Class Predictions:    [1 2]

因此模型预测第一个样本是Iris versicolor，第二个样本是iris virginica。

其他资源

• To learn more about using tf.estimator to create linear models, see
  Large-scale Linear Models with TensorFlow.

• To build your own Estimator using tf.estimator APIs, check out
  Creating Estimators in tf.estimator.

• To experiment with neural network modeling and visualization in the browser,
  check out Deep Playground.

• For more advanced tutorials on neural networks, see
  Convolutional Neural Networks and Recurrent Neural
  Networks.