机器学习笔记5-Tensorflow高级API之tf.estimator

机器学习笔记5-Tensorflow高级API之tf.estimator

前言

本文接着上一篇继续来聊Tensorflow的接口,上一篇中用较低层的接口实现了线性模型,本篇中将用更高级的API——tf.estimator来改写线性模型。

还记得之前的文章《机器学习笔记2 – sklearn之iris数据集》吗?本文也将使用tf.estimator改造该示例。

本文代码都是基于API版本r1.4。本文中本地开发环境为Pycharm,在文中不再赘述。

tf.estimator

内置模型

比起用底层API“较硬”的编码方式,tf.estimator的在使用时更像是对模型描述(或定义)的过程。Tensorflow训练评估数据处理等这些过程全部封装起来,让开发人员更专注于解决实际问题的建模过程,而不是纠结于代码实现过程。如果用tf.estimator改造上一篇中的线性模型的话,完整代码如下:

本例中使用的库numpy是一个开源工具,是一个功能非常强大且执行效率很高的库,主要用作数值处理及矩阵操作等。

import numpy as np
import tensorflow as tf

# 定义特性列,线性模型中特性是列是x,shape=[1],因此定义如下:
feature_columns = [tf.feature_column.numeric_column("x", shape=[1])]

# 使用tf.estimator内置的LinearRegressor来完成线性回归算法
# tf.estimator提供了很多常规的算法模型以便用户调用,不需要用户自己重复造轮子
# 到底为止,短短两行代码我们的建模工作就已经完成了
estimator = tf.estimator.LinearRegressor(feature_columns=feature_columns)

# 有了模型之后,我们要使用模型完成训练->评估->预测这几个步骤
# 训练数据依旧是(1.,0.),(2.,-1.),(3.,-2.),(4.,-3.)这几个点,拆成x和y两个维度的数组
x_train = np.array([1., 2., 3., 4.])
y_train = np.array([0., -1., -2., -3.])

# 评估数据为(2.,-1.01),(5.,-4.1),(8.,-7.),(1.,0.)这四个点,同样拆分成x和y两个维度的数组
x_eval = np.array([2., 5., 8., 1.])
y_eval = np.array([-1.01, -4.1, -7., 0.])

# 用tf.estimator.numpy_input_fn方法生成随机打乱的数据组,每组包含4个数据
input_fn = tf.estimator.inputs.numpy_input_fn({"x": x_train}, y_train, batch_size=4, num_epochs=None, shuffle=True)
# 循环1000次训练模型
estimator.train(input_fn=input_fn, steps=1000)

# 生成训练数据,分成1000组,每组4个数据
train_input_fn = tf.estimator.inputs.numpy_input_fn({"x": x_train}, y_train, batch_size=4, num_epochs=1000, shuffle=False)
# 生成评估数据,分成1000组,每组4个数据
eval_input_fn = tf.estimator.inputs.numpy_input_fn({"x": x_eval}, y_eval, batch_size=4, num_epochs=1000, shuffle=False)

# 训练数据在模型上的预测准确率
train_metrics = estimator.evaluate(input_fn=train_input_fn)
# 评估数据在模型上的预测准确率
eval_metrics = estimator.evaluate(input_fn=eval_input_fn)

print("train metrics: %r"% train_metrics)
print("eval metrics: %r"% eval_metrics)

输出结果如下:

train metrics: {'average_loss': 4.4709815e-08, 'loss': 1.7883926e-07, 'global_step': 1000}
eval metrics: {'average_loss': 0.0025470245, 'loss': 0.010188098, 'global_step': 1000}

自定义模型

虽然tf.estimator内置了大量的常用模型,但也并不代表我们必须使用内置模型。如有需要,我们可以用底层API实现自定义模型,同时,继续使用tf.estimator提供的高级特性。如上例中,我们需要定义自己的线性回归模型,仅需要按如下步骤操作:

替换estimator

# 下面这行替换了原先的estimator = tf.estimator.LinearRegressor(feature_columns=feature_columns)
estimator = tf.estimator.Estimator(model_fn=model_fn)

定义并实现model_fn方法

...
def model_fn(features, labels, mode):
    # 用底层API构建线性模型
    W = tf.get_variable("W", [1], dtype=tf.float64)
    b = tf.get_variable("b", [1], dtype=tf.float64)
    y = W * features['x'] + b

    loss = tf.reduce_sum(tf.square(y - labels))

    # 获取训练全局参数step
    global_step = tf.train.get_global_step()
    # 梯度下降算法,学习率是0.01
    optimizer = tf.train.GradientDescentOptimizer(0.01)
    # 将优化器和全局step的累加方法打包成一个方法组,相当于把若干个方法打包成事务执行的模式
    train = tf.group(optimizer.minimize(loss), tf.assign_add(global_step, 1))

    # 将所有内容封装成符合tf.estimator.Estimator规范的对象
    return tf.estimator.EstimatorSpec(
        mode=mode,
        predictions=y,
        loss=loss,
        train_op=train)
...

生成并启动TensorBoard

tf.estimator中,生成TensorBoard的方法也被集成在了底层,我们要做的,仅仅是传入参数model_dir而已:

在LinearRegressor例中代码如下:

...
estimator = tf.estimator.LinearRegressor(feature_columns=feature_columns, model_dir='d1')
...
...
estimator = tf.estimator.Estimator(model_fn=model_fn, model_dir='d2')
...

TensorBoard的启动和上一篇文章中一样,在Pycharm的控制台中执行:

# 以LinearRegressor的代码为例
tensorboard --logdir=d1

启动TensorBoard大致效果如下:

IRIS数据集

现在我们来改造之前用sklearn实现的IRIS数据集。之前用了决策树邻近算法两种算法来实现,这次用的是Tensorflow提供的深度学习模型DNNClassifier,完整代码如下(代码是官网提供的Demo代码,仅仅将DNNClassifier中参数model_dir改为了当前目录下iris_model目录):

from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

import os
from six.moves.urllib.request import urlopen

import numpy as np
import tensorflow as tf

# 数据集
IRIS_TRAINING = "iris_training.csv"
IRIS_TRAINING_URL = "http://download.tensorflow.org/data/iris_training.csv"

IRIS_TEST = "iris_test.csv"
IRIS_TEST_URL = "http://download.tensorflow.org/data/iris_test.csv"


def main():
    # 先将数据集保存到本地
    if not os.path.exists(IRIS_TRAINING):
        raw = urlopen(IRIS_TRAINING_URL).read()
        with open(IRIS_TRAINING, "wb") as f:
            f.write(raw)

    if not os.path.exists(IRIS_TEST):
        raw = urlopen(IRIS_TEST_URL).read()
        with open(IRIS_TEST, "wb") as f:
            f.write(raw)

    # 读取数据集
    training_set = tf.contrib.learn.datasets.base.load_csv_with_header(
        filename=IRIS_TRAINING,
        target_dtype=np.int,
        features_dtype=np.float32)
    test_set = tf.contrib.learn.datasets.base.load_csv_with_header(
        filename=IRIS_TEST,
        target_dtype=np.int,
        features_dtype=np.float32)

    feature_columns = [tf.feature_column.numeric_column("x", shape=[4])]

    # 创建一个三层的DNN深度学习分类器,三层分别有10、20、10个神经元
    classifier = tf.estimator.DNNClassifier(feature_columns=feature_columns,
                                            hidden_units=[10, 20, 10],
                                            n_classes=3,
                                            model_dir="iris_model")

    # 定义训练用的数据集输入
    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)

    # 训练模型
    classifier.train(input_fn=train_input_fn, steps=2000)

    # 定义测试用的数据集输入
    test_input_fn = tf.estimator.inputs.numpy_input_fn(
        x={"x": np.array(test_set.data)},
        y=np.array(test_set.target),
        num_epochs=1,
        shuffle=False)

    # 评估准确率
    accuracy_score = classifier.evaluate(input_fn=test_input_fn)["accuracy"]

    print("\nTest Accuracy: {0:f}\n".format(accuracy_score))

    # 预测两个新样本
    new_samples = np.array(
        [[6.4, 3.2, 4.5, 1.5],
         [5.8, 3.1, 5.0, 1.7]], dtype=np.float32)
    predict_input_fn = tf.estimator.inputs.numpy_input_fn(
        x={"x": new_samples},
        num_epochs=1,
        shuffle=False)

    predictions = list(classifier.predict(input_fn=predict_input_fn))

    predicted_classes = [p["classes"] for p in predictions]

    print(
        "New Samples, Class Predictions:    {}\n"
            .format(predicted_classes))


if __name__ == "__main__":
    main()

运行结果:

Test Accuracy: 0.966667

New Samples, Class Predictions:    [array([b'1'], dtype=object), array([b'2'], dtype=object)]


Process finished with exit code 0

可以看到,用tf.estimator提供的DNNClassifier,仅需要如下代码即可实现一个三层的DNN,并将模型保存在本地的iris_model文件夹下:

classifier = tf.estimator.DNNClassifier(feature_columns=feature_columns,
                                            hidden_units=[10, 20, 10],
                                            n_classes=3,
                                            model_dir="iris_model")

启动TensorBoard,看到的效果如下:

Run on ML Engine of Google Cloud Platform

前面几篇文章中,我在本地运行代码的之后,同时在阿里云PAI上执行了一次代码。本来我也是想在PAI上再进行本文中的示例代码的,不过我花了一天多的时间,最后还是失败了,主要原因如下:

  • PAI目前只支持到Tensorflow 1.2,而官方目前已经出到Tensorflow 1.4(马上要出1.5了),而Tensorflow 1.2是不支持tf.estimator.DNNClassifier的(代码中需要用到)

  • PAI虽然是可视化拖拽,但是代码还是需要按照PAI的要求进行少量改造,不便于本地代码直接放到云端执行

  • PAI的相关文档太少,遇到问题很难解决,就算提交工单技术支持也比较敷衍,这让我这样的初学者感到非常大的挫折感

说来也可笑,我的代码无论如何调整在PAI中运行都会报错,在PAI官方的技术QQ群里寻求帮助,半天没人搭理,然后有一个群友说PAI确实不好用,建议我用Google Cloud Platform。备受挫折的我就注册了一个Google Cloud Platform,果然,即便是全英文的文档,也让我在不到2小时的时间里,从注册账号到执行代码成功。这真不是我崇洋媚外或者故意黑阿里,我仅仅叙述了我自己的亲身经历而已。相比PAIGoogle Cloud PlatformML Engine就是一个虚拟云主机(Linux),可以直接用Google的Web版远程控制台进行操作,就跟操作一台真实的Linux一样的体验。因此本地代码也可以直接拷贝过去就能执行,不需要任何修改。运行速度上,我觉得比PAI快很多(没有数据,只是感觉)。

使用Google Cloud PlatformML Engine,需要一些前提条件:

  • 收费,需要绑定信用卡(VISA或MASTER),不过注册账号是送300美金体验1年(也就是一年内不超过300美金的消费是免费的),官方承诺,免费体验额度用完,如果要产生后续扣信用卡费用的行为,需要用户确认之后才会继续扣款

  • 较好的英文阅读能力(能基本看懂英文技术、帮助文档)

  • 翻墙(你懂的)

  • 会操作Linux系统

以下就是我在Google Cloud PlatformML Engine的Web控制台中操作的动图(注册过程略):

注意:

  • 我事先做过了实验,所以代码已经放在文件~/cloudml-samples-master/mymltest/tensorflowdemo3/code.py中,动图中仅仅是复制了一份代码到新的执行目录下。

  • Google Cloud Platform的帮助文档我放在了最后的参考文档中。


参考文档

官方文档:

https://www.tensorflow.org/get_started/get_started

https://www.tensorflow.org/get_started/estimator

ML Engine帮助文档:

https://cloud.google.com/ml-engine/docs/getting-started-training-prediction


本文在我的博客园我的个人博客上同步发布,作者保留版权,转载请注明来源。

Leave a Reply

Your email address will not be published. Required fields are marked *