第一章：新版tensorflow入門，對鳶尾花進行分類

1、背景

2018年tensorflow進行了版本升級1.8.0，新版tensorflow對原來版本進行了進一步的封裝，編程方式也與之前的內容有了很多的不同。本文介紹在新版TensorFlow 中解決鳶尾花分類問題。

2、新版tensorflow的基本結構

衆所周知，人工智能的核心組成部分就是模型與數據，新版的tensorflow將這兩個內容進行了更高級別的封裝，如果不是定製化需求的很高的問題，我們都建議使用高級別的api與中級別的api來實現，當然這種封裝都是給予puthon語言的。在本實例中重點介紹下面兩個高級API。

• Estimator：代表一個完整的模型。Estimator API 提供一些方法來訓練模型、判斷模型的準確率並生成預測。
• 數據集：構建數據輸入管道。Dataset API 提供一些方法來加載和操作數據，並將數據饋送到您的模型中。Dataset API 與 Estimator API 合作無間。衆所周知，人工智能的核心組成部分就是模型與數據，新版的tensorflow將這兩個內容進行了更高級別的封裝，如果不是定製化需求的很高的問題，我們都建議使用高級別的api與中級別的api來實現，當然這種封裝都是給予puthon語言的。在本實例中重點介紹下面兩個高級API。

3、鳶尾花進行分類問題描述

下面大部分資料來源於tensorflow的官方文檔

本文檔中的示例程序構建並測試了一個模型，此模型根據鳶尾花的花萼和花瓣大小將其分爲三種不同的品種。

數據集

鳶尾花數據集包含四個特徵和一個標籤。這四個特徵確定了單株鳶尾花的下列植物學特徵：

• 花萼長度
• 花萼寬度
• 花瓣長度
• 花瓣寬度

我們的模型會將這些特徵表示爲 float32 數值數據。

該標籤確定了鳶尾花品種，品種必須是下列任意一種：

• 山鳶尾 (0)
• 變色鳶尾 (1)
• 維吉尼亞鳶尾 (2)

我們的模型會將該標籤表示爲 int32 分類數據。

下表顯示了數據集中的三個樣本：

算法

該程序會訓練一個具有以下拓撲結構的深度神經網絡分類器模型：

• 2 個隱藏層。
• 每個隱藏層包含 10 個節點。

下圖展示了特徵、隱藏層和預測（並未顯示隱藏層中的所有節點）：

推理

在無標籤樣本上運行經過訓練的模型會產生三個預測，即相應鳶尾花屬於指定品種的可能性。這些輸出預測的總和是 1.0。例如，對無標籤樣本的預測可能如下所示：

• 0.03（山鳶尾）
• 0.95（變色鳶尾）
• 0.02（維吉尼亞鳶尾）

上面的預測表示指定無標籤樣本是變色鳶尾的概率爲 95％。

4、使用tensorflow實現上述分類功能

• 數據分析

所有功能的出發點都是數據，下面來對數據進行全面的分析。首先，這個數據集是網上公開的一個csv格式的數據集，可以將數據下載，使用pandas對數據進行分析。

• http://download.tensorflow.org/data/iris_training.csv：其中包含訓練集。
• http://download.tensorflow.org/data/iris_test.csv：其中包含測試集。

使用wget下載數據，當然也可以使用tensorflow提供的數據下載函數，這裏使用wget直接下載數據。

兩個文件下載方式相同，下載結果如下圖所示：

下面使用pandas對數據進行讀取，並部分展示，由於下載數據自帶格式所以做了一下處理

import pandas as pd
import tensorflow as tf
CSV_COLUMN_NAMES = ['SepalLength','SepalWidth','PetalLength', 'PetalWidth', 'Species']
data_train=pd.read_csv('iris_test.csv',names=CSV_COLUMN_NAMES,header=0)
data_test=pd.read_csv('iris_training.csv',names=CSV_COLUMN_NAMES,header=0)
data_train.head()

執行效果如下圖所示：

• 構建模型

在構建模型結構時暫時不需要數據的輸入，但需要制定有幾個特徵需要輸入，從上面的結構中可以看出。輸入的特徵有四個

• 花萼長度（seqpallength）
• 花萼寬度（sepalwidth）
• 花瓣長度 (petallength)
• 花瓣寬度 (petalwidth)

而最後一個是預測值  species 代表他是哪種鳶尾花

• 山鳶尾 (0)
• 變色鳶尾 (1)
• 維吉尼亞鳶尾 (2)

所以我們先將屬性值與標記值區分開

train_x, train_y = data_train, data_train.pop('Species')
test_x, test_y = data_test, data_test.pop('Species')
train_x.head()

輸出效果如下圖所示，可以從train_x，或者test_x提取特徵值，請參考下面代碼：

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

注意這裏對特徵的描述不是單純的列名那麼簡單：

下面可以開始構建訓練模型

classifier = tf.estimator.DNNClassifier(
    # 這個模型接受哪些輸入的特徵
    feature_columns=my_feature_columns,
    # 包含兩個隱藏層，每個隱藏層包含10個神經元.
    hidden_units=[10, 10],
    # 最終結果要分成的幾類
    n_classes=3)

• 訓練模型

下面就需要爲模型提供數據並進行訓練,由於tensorflow採用 一個批量梯度下降算法更新參數，這裏可以構造一個函數來生成數據，並且可以在這個函數當中對數據進行打亂。

def train_func(train_x,train_y):
    dataset=tf.data.Dataset.from_tensor_slices((dict(train_x), train_y))
    dataset = dataset.shuffle(1000).repeat().batch(100)
    return dataset

下面可以進行模型訓練，進行1000 個回合的訓練，每次100調數據

classifier.train(
    input_fn=lambda:train_func(train_x,train_y),
    steps=1000)

輸出結果如下圖所示：

INFO:tensorflow:Calling model_fn.
INFO:tensorflow:Done calling model_fn.
INFO:tensorflow:Create CheckpointSaverHook.
INFO:tensorflow:Graph was finalized.
INFO:tensorflow:Restoring parameters from /tmp/tmpc0_cffvl/model.ckpt-10
INFO:tensorflow:Running local_init_op.
INFO:tensorflow:Done running local_init_op.
INFO:tensorflow:Saving checkpoints for 11 into /tmp/tmpc0_cffvl/model.ckpt.
INFO:tensorflow:step = 11, loss = 53.429516
INFO:tensorflow:global_step/sec: 647.575
INFO:tensorflow:step = 111, loss = 13.04604 (0.156 sec)
INFO:tensorflow:global_step/sec: 998.922
INFO:tensorflow:step = 211, loss = 7.959083 (0.100 sec)
INFO:tensorflow:global_step/sec: 986.828
INFO:tensorflow:step = 311, loss = 5.6491127 (0.102 sec)
INFO:tensorflow:global_step/sec: 989.708
INFO:tensorflow:step = 411, loss = 5.1326213 (0.101 sec)
INFO:tensorflow:global_step/sec: 986.271
INFO:tensorflow:step = 511, loss = 4.5728106 (0.102 sec)
INFO:tensorflow:global_step/sec: 998.328
INFO:tensorflow:step = 611, loss = 4.9600344 (0.100 sec)
INFO:tensorflow:global_step/sec: 992.068
INFO:tensorflow:step = 711, loss = 4.493 (0.101 sec)
INFO:tensorflow:global_step/sec: 1004.25
INFO:tensorflow:step = 811, loss = 4.1192536 (0.099 sec)
INFO:tensorflow:global_step/sec: 1012.11
INFO:tensorflow:step = 911, loss = 3.456455 (0.099 sec)
INFO:tensorflow:Saving checkpoints for 1010 into /tmp/tmpc0_cffvl/model.ckpt.
INFO:tensorflow:Loss for final step: 4.035604.

• 模型預測

可以使用下面方法對測試集的數據進行預測，並查看效果

def eval_input_fn(features, labels, batch_size):
    features=dict(features)
    if labels is None:
        # No labels, use only features.
        inputs = features
    else:
        inputs = (features, labels)
    dataset = tf.data.Dataset.from_tensor_slices(inputs)

    assert batch_size is not None, "batch_size must not be None"
    dataset = dataset.batch(batch_size)
    return dataset

預測模型代碼如下

predict_arr = []
predictions = classifier.predict(
        input_fn=lambda:eval_input_fn(test_x,labels=test_y,batch_size=100))
for predict in predictions:
    predict_arr.append(predict['probabilities'].argmax())
result = predict_arr == test_y
result1 = [w for w in result if w == True]
print("準確率爲 %s"%str((len(result1)/len(result))))