如何使用 tf.estimator.DNNClassifier (Scikit Flow?)

Posted 2023-03-12

【中文标题】如何使用 tf.estimator.DNNClassifier (Scikit Flow?)

【英文标题】：How To Use tf.estimator.DNNClassifier (Scikit Flow?)

【发布时间】：2019-08-28 05:50:27

【问题描述】：

有人能给我指出一个 tf.estimator.DNNClassifier（最初是 skflow）的基本工作示例吗？

由于我熟悉 Sklearn，我很高兴在 this blog 上阅读有关 Scikit Flow 的信息。特别是 api 看起来和 SK-Learn 几乎一样。

但是，我在从博客中获取代码运行时遇到了问题。

然后我从Scikit Flow Github 得知它已移至tensorflow/tensorflow/contrib/learn/python/learn。

经过进一步调查，我发现tf.contrib.learn.DNNClassifier 已移至tf.estimator.DNNClassifier。

但是，现在估计器的 api 似乎与 sklearn 分类器完全不同。

如果有人能指出一个基本的工作示例，我将不胜感激。

这是上面博客中的代码。

import tensorflow.contrib.learn as skflow
from sklearn import datasets, metrics

iris = datasets.load_iris()
classifier = skflow.TensorFlowDNNClassifier(hidden_units=[10, 20, 10], n_classes=3)
classifier.fit(iris.data, iris.target)
score = metrics.accuracy_score(iris.target, classifier.predict(iris.data))
print("Accuracy: %f" % score)

【参考方案1】：

API 是changed 非常多，所以现在你可以做这样的事情（官方示例可用here）：

import tensorflow as tf
from sklearn import datasets, metrics

def train_input_fn(features, labels, batch_size):
    dataset = tf.data.Dataset.from_tensor_slices((dict(features), labels))
    return dataset.shuffle(1000).repeat().batch(batch_size)

iris = datasets.load_iris()
train_x = 
    '0': iris.data[:, 0],
    '1': iris.data[:, 1],
    '2': iris.data[:, 2],
    '3': iris.data[:, 3],


my_feature_columns = []
for key in train_x.keys():
    my_feature_columns.append(tf.feature_column.numeric_column(key=key))

clf = tf.estimator.DNNClassifier(hidden_units=[10, 20, 10], feature_columns=my_feature_columns, n_classes=3)
clf.train(input_fn=lambda: train_input_fn(train_x, iris.target, 32), steps=10000)

preds = list()
for idx, p in enumerate(classifier.predict(input_fn=lambda: train_input_fn(train_x, iris.target, 32))):
    preds.append(p['class_ids'][0])
    if idx == 99:
        break

print(metrics.accuracy_score(iris.target[:100], preds))

但现在最好像这样使用 TF Keras API：

import tensorflow as tf
from sklearn import datasets, metrics

def train_input_fn(features, labels, batch_size):
    dataset = tf.data.Dataset.from_tensor_slices((dict(features), labels))
    return dataset.shuffle(1000).repeat().batch(batch_size)

iris = datasets.load_iris()

clf = tf.keras.models.Sequential([
    tf.keras.layers.Dense(10, activation='sigmoid'),
    tf.keras.layers.Dense(20, activation='sigmoid'),
    tf.keras.layers.Dense(10, activation='sigmoid'),
    tf.keras.layers.Dense(3, activation='softmax'),
])
clf.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
clf.fit(iris.data, iris.target, batch_size=32)

【讨论】：

太棒了！太感谢了！由于 api 变化很大，我假设我不能使用 sklearn.model_selection 中的 cross_validate 来获得像 f1_macro 这样的不同分数？

看起来像这样，因此您可以根据需要使用sklearn 中的KFold 实现自己的交叉验证方法，如here 所示。