TF Learn : 基于Scikit-learn和TensorFlow的深度学习利器

作者: 汪昊 2018-09-06 08:00:00

【51CTO.com原创稿件】了解国外数据科学市场的人都知道,2017年海外数据科学最常用的三项技术是 Spark ,Python 和 MongoDB 。说到 Python ,做大数据的人都不会对 Scikit-learn 和 Pandas 感到陌生。

TF Learn : 基于Scikit-learn和TensorFlow的深度学习利器

Scikit-learn 是最常用的 Python 机器学习框架,在各大互联网公司做算法的工程师在实现单机版本的算法的时候或多或少都会用到 Scikit-learn 。TensorFlow 就更是大名鼎鼎,做深度学习的人都不可能不知道 TensorFlow。

下面我们先来看一段样例,这段样例是传统的机器学习算法逻辑回归的实现:

TF Learn : 基于Scikit-learn和TensorFlow的深度学习利器

可以看到,样例中仅仅使用了 3 行代码就完成了逻辑回归的主要功能。下面我们来看一下如果用 TensorFlow 来实现同样的代码,需要多少行?下面的代码来自 GitHub :

  1. '' 
  2. A logistic regression learning algorithm example using TensorFlow library.  
  3. This example is using the MNIST database of handwritten digits  
  4. (https://yann.lecun.com/exdb/mnist/)  
  5. Author: Aymeric Damien  
  6. Project: https://github.com/aymericdamien/TensorFlow-Examples/  
  7. '' 
  8. from __future__ import print_function  
  9. import tensorflow as tf  
  10. # Import MNIST data  
  11. from tensorflow.examples.tutorials.mnist import input_data  
  12. mnist = input_data.read_data_sets("/tmp/data/", one_hot=True 
  13.  
  14. # Parameters  
  15. learning_rate = 0.01  
  16. training_epochs = 25  
  17. batch_size = 100  
  18. display_step = 1  
  19.  
  20. # tf Graph Input  
  21. x = tf.placeholder(tf.float32, [None, 784]) # mnist data image of shape 28*28=784  
  22. y = tf.placeholder(tf.float32, [None, 10]) # 0-9 digits recognition => 10 classes  
  23.  
  24. Set model weights  
  25. W = tf.Variable(tf.zeros([784, 10]))  
  26. b = tf.Variable(tf.zeros([10]))  
  27.  
  28. # Construct model  
  29. pred = tf.nn.softmax(tf.matmul(x, W) + b) # Softmax  
  30.  
  31. # Minimize error using cross entropy  
  32. cost = tf.reduce_mean(-tf.reduce_sum(y*tf.log(pred), reduction_indices=1))  
  33. # Gradient Descent  
  34. optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)  
  35.  
  36. # Initialize the variables (i.e. assign their default value)  
  37. init = tf.global_variables_initializer()  
  38.  
  39. # Start training  
  40. with tf.Session() as sess:  
  41.     # Run the initializer  
  42.     sess.run(init)  
  43.     # Training cycle  
  44.     for epoch in range(training_epochs):  
  45.         avg_cost = 0.  
  46.         total_batch = int(mnist.train.num_examples/batch_size)  
  47.         # Loop over all batches  
  48.         for i in range(total_batch):  
  49.             batch_xs, batch_ys = mnist.train.next_batch(batch_size)  
  50.             # Run optimization op (backprop) and cost op (to get loss value)  
  51.             _, c = sess.run([optimizer, cost], feed_dict={x: batch_xs,  
  52.                                                           y: batch_ys})  
  53.             # Compute average loss  
  54.             avg_cost += c / total_batch  
  55.         # Display logs per epoch step  
  56.         if (epoch+1) % display_step == 0:  
  57.             print("Epoch:"'%04d' % (epoch+1), "cost=""{:.9f}".format(avg_cost))  
  58.  
  59.     print("Optimization Finished!" 
  60.  
  61.     # Test model  
  62.     correct_prediction = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))  
  63.     # Calculate accuracy  
  64.     accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))  
  65. print("Accuracy:", accuracy.eval({x: mnist.test.images, y: mnist.test.labels})) 

一个相对来说比较简单的机器学习算法,用 Tensorflow 来实现却花费了大量的篇幅。然而 Scikit-learn 本身没有 Tensorflow 那样丰富的深度学习的功能。有没有什么办法,能够在保证 Scikit-learn 的简单易用性的前提下,能够让 Scikit-learn 像 Tensorflow 那样支持深度学习呢?答案是有的,那就是 Scikit-Flow 开源项目。该项目后来被集成到了 Tensorflow 项目里,变成了现在的 TF Learn 模块。

我们来看一个 TF Learn 实现线性回归的样例:

  1. """ Linear Regression Example """ 
  2. from __future__ import absolute_import, division, print_function  
  3. import tflearn  
  4. # Regression data  
  5. X = [3.3,4.4,5.5,6.71,6.93,4.168,9.779,6.182,7.59,2.167,7.042,10.791,5.313,7.997,5.654,9.27,3.1]  
  6. Y = [1.7,2.76,2.09,3.19,1.694,1.573,3.366,2.596,2.53,1.221,2.827,3.465,1.65,2.904,2.42,2.94,1.3]  
  7. # Linear Regression graph  
  8. input_ = tflearn.input_data(shape=[None])  
  9. linear = tflearn.single_unit(input_)  
  10. regression = tflearn.regression(linear, optimizer='sgd', loss='mean_square' 
  11.                                 metric='R2', learning_rate=0.01)  
  12. m = tflearn.DNN(regression)  
  13. m.fit(X, Y, n_epoch=1000, show_metric=True, snapshot_epoch=False 
  14. print("\nRegression result:" 
  15. print("Y = " + str(m.get_weights(linear.W)) +  
  16.       "*X + " + str(m.get_weights(linear.b)))  
  17.  
  18. print("\nTest prediction for x = 3.2, 3.3, 3.4:" 
  19. print(m.predict([3.2, 3.3, 3.4])) 

我们可以看到,TF Learn 继承了 Scikit-Learn 的简洁编程风格,在处理传统的机器学习方法的时候非常的方便。下面我们看一段 TF Learn 实现 CNN (MNIST数据集)的样例:

  1. """ Convolutional Neural Network for MNIST dataset classification task.  
  2. References 
  3.     Y. LeCun, L. Bottou, Y. Bengio, and P. Haffner. "Gradient-based  
  4.     learning applied to document recognition." Proceedings of the IEEE,  
  5.     86(11):2278-2324, November 1998.  
  6. Links:  
  7.     [MNIST Dataset] https://yann.lecun.com/exdb/mnist/  
  8. "" 
  9.  
  10. from __future__ import division, print_function, absolute_import   
  11. import tflearn  
  12. from tflearn.layers.core import input_data, dropout, fully_connected  
  13. from tflearn.layers.conv import conv_2d, max_pool_2d  
  14. from tflearn.layers.normalization import local_response_normalization  
  15. from tflearn.layers.estimator import regression  
  16.  
  17. # Data loading and preprocessing  
  18. import tflearn.datasets.mnist as mnist  
  19. X, Y, testX, testY = mnist.load_data(one_hot=True 
  20. X = X.reshape([-1, 28, 28, 1])  
  21. testX = testX.reshape([-1, 28, 28, 1])  
  22. # Building convolutional network  
  23. network = input_data(shape=[None, 28, 28, 1], name='input' 
  24. network = conv_2d(network, 32, 3, activation='relu', regularizer="L2" 
  25. network = max_pool_2d(network, 2)  
  26. network = local_response_normalization(network)  
  27. network = conv_2d(network, 64, 3, activation='relu', regularizer="L2" 
  28. network = max_pool_2d(network, 2)  
  29. network = local_response_normalization(network)  
  30. network = fully_connected(network, 128, activation='tanh' 
  31. network = dropout(network, 0.8)  
  32. network = fully_connected(network, 256, activation='tanh' 
  33. network = dropout(network, 0.8)  
  34. network = fully_connected(network, 10, activation='softmax'
  35. network = regression(network, optimizer='adam', learning_rate=0.01,  
  36.                      loss='categorical_crossentropy'name='target' 
  37.  
  38. # Training  
  39. model = tflearn.DNN(network, tensorboard_verbose=0)  
  40. model.fit({'input': X}, {'target': Y}, n_epoch=20,  
  41.            validation_set=({'input': testX}, {'target': testY}),  
  42. snapshot_step=100, show_metric=True, run_id='convnet_mnist'

可以看到,基于 TF Learn 的深度学习代码也是非常的简洁。

TF Learn 是 TensorFlow 的高层次类 Scikit-Learn 封装,提供了原生版 TensorFlow 和 Scikit-Learn 之外的又一种选择。对于熟悉了 Scikit-Learn 和厌倦了 TensorFlow 冗长代码的用户来说,不啻为一种福音,也值得机器学习和数据挖掘的从业者认真学习和掌握。

汪昊,恒昌利通大数据部负责人/资深架构师,美国犹他大学本科/硕士,对外经贸大学在职MBA。曾在百度,新浪,网易,豆瓣等公司有多年的研发和技术管理经验,擅长机器学习,大数据,推荐系统,社交网络分析等技术。在 TVCG 和 ASONAM 等国际会议和期刊发表论文 8 篇。本科毕业论文获国际会议 IEEE SMI 2008 ***论文奖。

【51CTO原创稿件,合作站点转载请注明原文作者和出处为51CTO.com】

深度学习 TensorFlow Python
上一篇:科普 | 从TensorFlow.js入手了解机器学习 下一篇:警惕数字化转型三大陷阱,英特尔赋能平安医疗科技“端到端”的AI能力
评论
取消
暂无评论,快去成为第一个评论的人吧

更多资讯推荐

NLP入门系列之自然语言处理

本章为自然语言处理提供了一个高层次的介绍。解释了自然语言处理是什么,最常见的自然语言处理应用是哪些以及开发自然语言处理应用程序的基本方法是什么。

AI Publishing ·  22h前
DeepMind新模型自动生成CAD草图,网友:建筑设计要起飞了

在最近的一项研究中,DeepMind 提出了一种机器学习模型,能够自动生成此类草图,且结合了通用语言建模技术以及现成的数据序列化协议,具有足够的灵活性来适应各领域的复杂性,并且对于无条件合成和图像到草图的转换都表现良好。

力元 ·  1天前
人工智能影响制造业的四种方式

这些年来,人工智能取得了很大的进步。它可以影响许多不同的行业,这主要是因为它改进了处理、算法和它所保存的数据量。

Cassie ·  4天前
动态图上的深度学习-时间图网络建模

许多涉及各种性质的交易网络以及社连接边动,以及与现实世界问题相关问题都是动态的,可以建模为图结构,其中节点和边随着时间的推移而变化。在这篇文章中,我们描述了时间图网络,这是用于在动态图上进行深度学习建模的通用框架。

佚名 ·  2021-05-13 15:23:31
处理人工智能任务必须知道的11个Python库

Python对数据科学如此重要的原因之一是它海量的数据分析和可视化库。在本文中,我们讨论了最受欢迎的一些。

Huangwei AI ·  2021-05-13 13:07:35
人工智能这5大趋势将给世界带来哪些影响?

GPU和海量的数据增强了计算和处理能力,为现代算法和深度学习带来了显著的变化。在未来几年,我们可以期待看到人工智能技术的重大变化。以下是人工智能正在塑造世界的5个趋势。

Yu ·  2021-05-12 20:57:54
人工智能加速改变生产生活

在移动互联网、大数据等新技术的驱动下,人工智能迎来新一轮发展热潮,真正进入落地实践阶段,正在加速改变人们生产生活。

彭训文 ·  2021-05-12 09:40:39
新的深度学习模型如何将图像分割引入边缘设备?

据报道,人工智能初创厂商DarwinAI公司和加拿大滑铁卢大学的人工智能研究人员开发和设计了一种新的神经网络结构,使在低功耗和低计算能力的边缘计算设备上进行图像分割成为可能。

李睿 ·  2021-05-12 08:00:00
Copyright©2005-2021 51CTO.COM 版权所有 未经许可 请勿转载