标签：recover shuf def reserve 决定 dataset 控制 标签 eps
这篇文章介绍tf.estimator,一个高级TensorFlow API，可以极大简化机器学习编程。Estimators封装了下面几个活动。
可以使用tensorflow中自带的Estimators，也可以自定义Estimators。所有的Estimators,都继承自tf.estimator.Estimator类。
当使用Estimators时,必须将数据输入管道和模型分开。这种分离简化了不同数据集上的实验。
pre-made Estimators生成和管理tf.graph和tf.Session。并且只需要作出很小的代码改动，就能实验各种模型结构。下面以一个基于全链接，前馈神经网络训练分类模型为例。
包含下面四个步骤：
1. 写一个或多个数据集导入函数。你肯呢个会生成一个函数用来导入训练集，另一个函数导入测试集。每个数据集导入函数必须包含两个对象：1）一个字典，keys是特征名，values是Tensors(或 Sparse Tensors)包含对应的特征数据。2）一个Tensor，包含一个或多个标签
代码的基本骨架如下：
def input_fn(dataset): ... # manipulate dataset, extracting the feature dict and the label return feature_dict, label
2.定义特征列。每个tf.feature_column识别一个特征名，它的类型和任何输入预处理。下面的代码段生成三个特征列。前来那个个特征那个列简单地识别特征名和类型。第三个特征那个列指定一个lambda程序，伸缩原始数据。
# Define three numeric feature columns. population = tf.feature_column.numeric_column(‘population‘) crime_rate = tf.feature_column.numeric_column(‘crime_rate‘) median_education = tf.feature_column.numeric_column(‘median_education‘, normalizer_fn=lambda x: x - global_education_mean)
3.实例化相关pre-made Estimator.
# Instantiate an estimator, passing the feature columns. estimator = tf.estimator.LinearClassifier( feature_columns=[population, crime_rate, median_education], )
4.调用训练，评估，或预测方法。
# my_training_set is the function created in Step 1 estimator.train(input_fn=my_training_set, steps=2000)
无论是pre-made还是自定义Estimators,核心都是模型函数（建立图，用于训练，评估和预测），pre-made Estimators已经实现了这些。自定义Estimators需要自己实现。
1.假设一个合适的pre-made Estimator存在，使用它建立你的地一个模型，使用结果建立baseline.
2.建立和测试你的整个管道，包括使用pre-made Estimator的整个代码的完整性和可靠性。
3.如果合适的可供替代的pre-made Estimators存在，运行实验，决定哪个pre-made Estimator产生最好的结果。
4.改善你的代码，建立自己的自定义Estimator.
可以将存在的Keras模型转换成Estimators。这样可以使你的Keras模型拥有Estimator的优势，比如分布式训练。调用tf.keras.estimator.model_to_estimator.
# Instantiate a Keras inception v3 model. keras_inception_v3 = tf.keras.applications.inception_v3.InceptionV3(weights=None) # Compile model with the optimizer, loss, and metrics you‘d like to train with. keras_inception_v3.compile(optimizer=tf.keras.optimizers.SGD(lr=0.0001, momentum=0.9), loss=‘categorical_crossentropy‘, metric=‘accuracy‘) # Create an Estimator from the compiled Keras model. Note the initial model # state of the keras model is preserved in the created Estimator. est_inception_v3 = tf.keras.estimator.model_to_estimator(keras_model=keras_inception_v3) # Treat the derived Estimator as you would with any other Estimator. # First, recover the input name(s) of Keras model, so we can use them as the # feature column name(s) of the Estimator input function: keras_inception_v3.input_names # print out: [‘input_1‘] # Once we have the input name(s), we can create the input function, for example, # for input(s) in the format of numpy ndarray: train_input_fn = tf.estimator.inputs.numpy_input_fn( x={"input_1": train_data}, y=train_labels, num_epochs=1, shuffle=False) # To train, we call Estimator‘s train function: est_inception_v3.train(input_fn=train_input_fn, steps=2000)
标签：recover shuf def reserve 决定 dataset 控制 标签 eps
原文地址：https://www.cnblogs.com/benbencoding798/p/9919341.html
