数据结构
网络
关系数据库管理系统 (RDBMS)
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C语言编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理
化学
生物
数学
英语
经济学
心理学
社会研究
服装研究
法律研究如何使用 Estimators 在 TensorFlow 中定义一个用于数据混洗的函数？
借助 Estimators，可以定义一个用于数据混洗的函数。可以使用 ‘from_tensor_slices’ 方法创建一个存储数据的字典。
阅读更多： 什么是 TensorFlow 以及 Keras 如何与 TensorFlow 协同创建神经网络？
我们将使用 Keras Sequential API，它有助于构建一个顺序模型，用于处理简单的层堆栈，其中每一层只有一个输入张量和一个输出张量。
包含至少一层卷积层的神经网络称为卷积神经网络。我们可以使用卷积神经网络来构建学习模型。
我们使用 Google Colaboratory 来运行以下代码。Google Colab 或 Colaboratory 帮助在浏览器上运行 Python 代码，无需任何配置，并且可以免费访问 GPU（图形处理单元）。Colaboratory 基于 Jupyter Notebook 构建。
Estimator 是 TensorFlow 中对完整模型的高级表示。它旨在实现轻松扩展和异步训练。
我们将使用 tf.estimator API 训练一个逻辑回归模型。该模型用作其他算法的基线。我们使用泰坦尼克号数据集，目标是根据性别、年龄、等级等特征预测乘客的生存情况。Estimators 使用特征列来描述模型如何解释原始输入特征。Estimator 期望一个数值输入向量，特征列将有助于描述模型如何转换数据集中每个特征。
选择和使用正确的特征列集对于学习有效的模型至关重要。特征列可以是原始特征字典中的原始输入之一，也可以是使用在一个或多个基列上定义的转换创建的新列。
线性估计器同时使用数值和分类特征。特征列适用于所有 TensorFlow Estimators。它们的目标是定义用于建模的特征。它们还具有特征工程功能，例如独热编码、规范化和分箱。
示例
print("A function is defined to shuffle the data")
def make_input_fn(data_df, label_df, num_epochs=10, shuffle=True, batch_size=32):
def input_function():
ds = tf.data.Dataset.from_tensor_slices((dict(data_df), label_df))
if shuffle:
ds = ds.shuffle(1000)
ds = ds.batch(batch_size).repeat(num_epochs)
return ds
return input_function
print("The function is called")
train_input_fn = make_input_fn(dftrain, y_train)
eval_input_fn = make_input_fn(dfeval, y_eval, num_epochs=1, shuffle=False)代码来源 −https://tensorflowcn.cn/tutorials/estimator/linear
输出
A function is defined to shuffle the data The function is called
解释
input_function 说明如何将数据转换为 tf.data.Dataset。
它以流式方法馈送输入管道。
tf.data.Dataset 可以接收多个数据源，例如数据框、csv 格式的文件等等。
77 次浏览
