翻譯自https://www.tensorflow.org/get_started/tflearn
tf的高級(jí)API能夠更簡單的配置兵扬、訓(xùn)練和評(píng)估多種機(jī)器學(xué)習(xí)模型，本文將介紹如何構(gòu)建神經(jīng)網(wǎng)絡(luò)分類器峭咒，并在iris數(shù)據(jù)集上訓(xùn)練虫蝶，用花萼和花瓣的集合結(jié)構(gòu)來預(yù)測花的種類担神。有以下幾個(gè)步驟：

1. 載入包含iris訓(xùn)練測試數(shù)據(jù)的 CSVs 到 tf 的Dataset

2. 構(gòu)建神經(jīng)網(wǎng)絡(luò)分類器

3. 用訓(xùn)練數(shù)據(jù) Fit 模型

4. 評(píng)估模型精度

5. 分類新樣本

iris數(shù)據(jù)被分為兩部分

A training set of 120 samples (iris_training.csv)

A test set of 30 samples (iris_test.csv).

• 導(dǎo)入所有的庫

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

import os
import urllib

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"
Then, if the training and test sets aren't already stored locally, download them.

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

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

• 載入訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)到 Dataset 怕磨，使用load_csv_with_header()穆刻。由于最后的分類是整形數(shù)置尔，所以合適的numpy數(shù)據(jù)類型是 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)

training_set.data and training_set.target,test_set.dataandtest_set.target 包含訓(xùn)練和測試數(shù)據(jù)

• 構(gòu)建深度神經(jīng)網(wǎng)絡(luò)分類器
  tf.contrib.learn提供了多種預(yù)先定義好的模型，叫做Estimator氢伟，他們可以直接用在基于你自己數(shù)據(jù)的訓(xùn)練和評(píng)估操作榜轿。首先，我們來配置一個(gè)深度神經(jīng)網(wǎng)絡(luò)分類器來fit iris數(shù)據(jù)朵锣。你可以用以下幾行代碼來實(shí)例化一個(gè)分類器：

# Specify that all features have real-value data
feature_columns = [tf.contrib.layers.real_valued_column("", dimension=4)]

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

以上代碼首先定義了模型的特征列谬盐，并且指定了數(shù)據(jù)類型。所有的特征feature數(shù)據(jù)都是連續(xù)型诚些，所以適合用tf.contrib.layers.real_valued_column來構(gòu)建特征列飞傀，數(shù)據(jù)集里有4個(gè)特征維度sepal width, sepal height, petal width, and petal height，所以相應(yīng)的維度需要設(shè)置為4.

• 描述訓(xùn)練輸入流程
  tf.contrib.learn 的API使用 為模型生成數(shù)據(jù)的TF 操作 作為輸入函數(shù)诬烹。本例中數(shù)據(jù)很小砸烦，可以直接儲(chǔ)存在tf.constant ，下面的代碼實(shí)現(xiàn)最簡單的輸入流程：

# Define the train inputs
def get_train_inputs():
  x = tf.constant(training_set.data)
  y = tf.constant(training_set.target)

  return x, y

• Fit the DNNClassifier to the Iris Training Data
  現(xiàn)在你已經(jīng)配置好了你的DNN分類模型绞吁，你可以用fit方法來 訓(xùn)練你的數(shù)據(jù)幢痘， 傳入 get_train_inputs 作為input_fn，還要傳入訓(xùn)練的步數(shù)家破。

# Fit model.
classifier.fit(input_fn=get_train_inputs, steps=2000)

模型的狀態(tài)被保存在classifier中颜说，這就意味著你可以迭代的訓(xùn)練购岗，例如，上面的代碼等價(jià)于下面的

classifier.fit(x=training_set.data, y=training_set.target, steps=1000)
classifier.fit(x=training_set.data, y=training_set.target, steps=1000)

然而你要追蹤模型的訓(xùn)練過程门粪，你需要使用TF的monitor來進(jìn)行記錄操作藕畔。See the tutorial “Logging and Monitoring Basics with tf.contrib.learn” for more on this topic.

• 評(píng)估模型精度
  你已經(jīng)在iris數(shù)據(jù)集上訓(xùn)練過了DNNClassifier 模型，現(xiàn)在你可以使用evaluate方法檢查他在測試集上的精度了庄拇。和fit方法一樣，evaluate方法也要一個(gè)輸入函數(shù)作為他的輸入流程韭邓。evaluate方法返回一個(gè)包含評(píng)估結(jié)果的字典措近。下面的代碼傳入iris測試集test_set.data and test_set.target給evaluate，然后打印出來精度：

# Define the test inputs
def get_test_inputs():
  x = tf.constant(test_set.data)
  y = tf.constant(test_set.target)

  return x, y

# Evaluate accuracy.
accuracy_score = classifier.evaluate(input_fn=get_test_inputs,
                                     steps=1)["accuracy"]

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

• 分類新的樣本
  使用estimator的 predict()方法來分類新樣本女淑，返回一個(gè)生成器瞭郑，可以很容易的轉(zhuǎn)化為列表。下面代碼做檢索和打印預(yù)測結(jié)果：

# Classify two new flower samples.
def new_samples():
  return np.array(
    [[6.4, 3.2, 4.5, 1.5],
     [5.8, 3.1, 5.0, 1.7]], dtype=np.float32)

predictions = list(classifier.predict(input_fn=new_samples))

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