tf.estimator Quickstart解讀
https://www.tensorflow.org/get_started/estimator
把代碼拷下來，放到eclipse的環境中，並不能編譯成功。
主要改爲兩個地方：
第一：升級了下tensorflow的版本，由1.2升到了1.3，tensorflow升級比較快。
第二：import urllib改爲 import urllib.request，代碼中用到urllib的地方也改爲urllib.request，畢竟這是window7的python3.5的版本。
第三：把open的方式由“w”改爲“wb”
跑出的結果：
Test Accuracy: 0.966667
New Samples, Class Predictions: [array([b'1'], dtype=object), array([b'2'], dtype=object)]
同時當前文件並列的，會下到iris_training.csv和iris_test.csv。當然你至少得訪問到tensorflow的官網。
下面假設你已成功跑完，簡單過一下代碼。代碼參見https://www.tensorflow.org/get_started/estimator
打開iris_training.csv看看，只有120個樣本，就能到96.6%的水平，不錯啊。
測試樣本30個。
樣本來自3類植物，長得倒很象。每類50個樣本。樣本被打亂。
Iris setosa,
Iris virginica,
Iris versicolor.
csv的表頭具有迷惑性，不看網頁很容易不解。其實，csv的五列與表頭沒啥關係。這五列真正的表頭是：
萼片長，萼片寬，花瓣長，花瓣寬，類別。
類別是上面三類Iris，分別用0，1，2表示。
注意csv的頭有固定的格式，第一個數指120個樣本，第二個數指4個特徵(features)，這兩個東西在load_csv_with_header方法中會用來構造shape.
training_set = tf.contrib.learn.datasets.base.load_csv_with_header(......)
training_set通過load_csv_with_header加載後，training_set.data放特徵數據，training_set.target放預測值。這個概念後面會用。
Estimator: 預定義的模型。
下面構造模型：
feature_columns = [tf.feature_column.numeric_column("x", shape=[4])]
‘x’是key，因爲表中有萼片長，萼片寬等四個特徵，所以shape爲[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")
feature_columns=feature_columns:四個特徵列。
hidden_units=[10, 20, 10]：三個隱藏層，神經元個數分別爲10個，20個，10個。
n_classes=3：3類植物
model_dir=/tmp/iris_model：指定一個目錄，用來存放檢查點。
用estimator顯然比原來那個mnist_deep.py的代碼少多了，幾個參數一裝配，歐了。
# 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)
這裏有個小知識，提一下：
epochs指訓練過程中數據將被“輪”多少次，train時沒指定，但test_input_fn時它指定了1次。
例子：樣本量爲1000，batchsize=100，經過10個批次，就完成1個epochs（一輪）。
定義訓練參數的輸入管道，不然train時沒參數。
classifier.train(input_fn=train_input_fn, steps=2000)
使用classifier這個模型和csv的數據訓練。這個方法不太好跟蹤訓練過程，後面會介紹SessionRunHook，這個以後再說。
classifier自帶evaluate方法。當然，即然有train方法，當然會有evaluate方法。好人做到底，送佛送到西了。
下一句：accuracy_score = classifier.evaluate(input_fn=test_input_fn)["accuracy"]
想看下evaluate返回的dict到底有些啥東西，所以在這句之前加一句：
tmp = classifier.evaluate(input_fn=test_input_fn);
做個斷點看看，結果tmp爲：
dict: {'loss': 2.3112736, 'average_loss': 0.077042453, 'accuracy': 0.96666664, 'global_step': 8000}
accuracy_score不過把accuracy拿出來了。如有需要，還可以看看字段的。
再後面，給個兩個臨時樣本：
[[6.4, 3.2, 4.5, 1.5],[5.8, 3.1, 5.0, 1.7]
看看屬於哪類植物。
此時classifier經過了train和test，我們認爲它可以出山啦。並且它自帶一個predict方法，三個階段分得很清楚嘛。
predictions = list(classifier.predict(input_fn=predict_input_fn))
predictions運算完成後內部是這樣的：
<class 'list'>:
[{'class_ids': array([1], dtype=int64), 'classes': array([b'1'], dtype=object), 'logits': array([-5.04032564, 6.55079699, -7.03252172], dtype=float32), 'probabilities': array([ 9.24772212e-06, 9.99989390e-01, 1.26134830e-06], dtype=float32)},
{'class_ids': array([1], dtype=int64), 'classes': array([b'1'], dtype=object), 'logits': array([-10.27748394, 1.46430922, 0.92295957], dtype=float32), 'probabilities': array([ 5.02812372e-06, 6.32123172e-01, 3.67871851e-01], dtype=float32)}]
下面這句就好理解了：
predicted_classespredicted_classes = [p["classes"] for p in predictions]
小結：
tf.estimator就是已經預定義好的模型，自帶train，test，predict全套裝備。只要配合tf.estimator.inputs.numpy_input_fn，把數據導進去，裝備好其它需要的參數，開包即用。
這個模型的對於[5.8, 3.1, 5.0, 1.7]這個樣本，官網結果爲2,但我跑出來大部分時間是1，有時爲2。比較無語。
https://www.tensorflow.org/get_started/estimator
把代碼拷下來，放到eclipse的環境中，並不能編譯成功。
主要改爲兩個地方：
第一：升級了下tensorflow的版本，由1.2升到了1.3，tensorflow升級比較快。
第二：import urllib改爲 import urllib.request，代碼中用到urllib的地方也改爲urllib.request，畢竟這是window7的python3.5的版本。
第三：把open的方式由“w”改爲“wb”
跑出的結果：
Test Accuracy: 0.966667
New Samples, Class Predictions: [array([b'1'], dtype=object), array([b'2'], dtype=object)]
同時當前文件並列的，會下到iris_training.csv和iris_test.csv。當然你至少得訪問到tensorflow的官網。
下面假設你已成功跑完，簡單過一下代碼。代碼參見https://www.tensorflow.org/get_started/estimator
打開iris_training.csv看看，只有120個樣本，就能到96.6%的水平，不錯啊。
測試樣本30個。
樣本來自3類植物，長得倒很象。每類50個樣本。樣本被打亂。
Iris setosa,
Iris virginica,
Iris versicolor.
csv的表頭具有迷惑性，不看網頁很容易不解。其實，csv的五列與表頭沒啥關係。這五列真正的表頭是：
萼片長，萼片寬，花瓣長，花瓣寬，類別。
類別是上面三類Iris，分別用0，1，2表示。
注意csv的頭有固定的格式，第一個數指120個樣本，第二個數指4個特徵(features)，這兩個東西在load_csv_with_header方法中會用來構造shape.
training_set = tf.contrib.learn.datasets.base.load_csv_with_header(......)
training_set通過load_csv_with_header加載後，training_set.data放特徵數據，training_set.target放預測值。這個概念後面會用。
Estimator: 預定義的模型。
下面構造模型：
feature_columns = [tf.feature_column.numeric_column("x", shape=[4])]
‘x’是key，因爲表中有萼片長，萼片寬等四個特徵，所以shape爲[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")
feature_columns=feature_columns:四個特徵列。
hidden_units=[10, 20, 10]：三個隱藏層，神經元個數分別爲10個，20個，10個。
n_classes=3：3類植物
model_dir=/tmp/iris_model：指定一個目錄，用來存放檢查點。
用estimator顯然比原來那個mnist_deep.py的代碼少多了，幾個參數一裝配，歐了。
# 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)
這裏有個小知識，提一下：
epochs指訓練過程中數據將被“輪”多少次，train時沒指定，但test_input_fn時它指定了1次。
例子：樣本量爲1000，batchsize=100，經過10個批次，就完成1個epochs（一輪）。
定義訓練參數的輸入管道，不然train時沒參數。
classifier.train(input_fn=train_input_fn, steps=2000)
使用classifier這個模型和csv的數據訓練。這個方法不太好跟蹤訓練過程，後面會介紹SessionRunHook，這個以後再說。
classifier自帶evaluate方法。當然，即然有train方法，當然會有evaluate方法。好人做到底，送佛送到西了。
下一句：accuracy_score = classifier.evaluate(input_fn=test_input_fn)["accuracy"]
想看下evaluate返回的dict到底有些啥東西，所以在這句之前加一句：
tmp = classifier.evaluate(input_fn=test_input_fn);
做個斷點看看，結果tmp爲：
dict: {'loss': 2.3112736, 'average_loss': 0.077042453, 'accuracy': 0.96666664, 'global_step': 8000}
accuracy_score不過把accuracy拿出來了。如有需要，還可以看看字段的。
再後面，給個兩個臨時樣本：
[[6.4, 3.2, 4.5, 1.5],[5.8, 3.1, 5.0, 1.7]
看看屬於哪類植物。
此時classifier經過了train和test，我們認爲它可以出山啦。並且它自帶一個predict方法，三個階段分得很清楚嘛。
predictions = list(classifier.predict(input_fn=predict_input_fn))
predictions運算完成後內部是這樣的：
<class 'list'>:
[{'class_ids': array([1], dtype=int64), 'classes': array([b'1'], dtype=object), 'logits': array([-5.04032564, 6.55079699, -7.03252172], dtype=float32), 'probabilities': array([ 9.24772212e-06, 9.99989390e-01, 1.26134830e-06], dtype=float32)},
{'class_ids': array([1], dtype=int64), 'classes': array([b'1'], dtype=object), 'logits': array([-10.27748394, 1.46430922, 0.92295957], dtype=float32), 'probabilities': array([ 5.02812372e-06, 6.32123172e-01, 3.67871851e-01], dtype=float32)}]
下面這句就好理解了：
predicted_classespredicted_classes = [p["classes"] for p in predictions]
小結：
tf.estimator就是已經預定義好的模型，自帶train，test，predict全套裝備。只要配合tf.estimator.inputs.numpy_input_fn，把數據導進去，裝備好其它需要的參數，開包即用。
這個模型的對於[5.8, 3.1, 5.0, 1.7]這個樣本，官網結果爲2,但我跑出來大部分時間是1，有時爲2。比較無語。
