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

【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。

站在用户的角度思考问题，与客户深入沟通，找到陵城网站设计与陵城网站推广的解决方案，凭借多年的经验，让设计与互联网技术结合，创造个性化、用户体验好的作品，建站类型包括：成都做网站、网站建设、企业官网、英文网站、手机端网站、网站推广、域名注册、虚拟主机、企业邮箱。业务覆盖陵城地区。

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：

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 :

 
 
 
 
  
  
  
  '''    
  
  
  A logistic regression learning algorithm example using TensorFlow library.    
  
  
  This example is using the MNIST database of handwritten digits    
  
  
  (http://yann.lecun.com/exdb/mnist/)    
  
  
  Author: Aymeric Damien    
  
  
  Project: https://github.com/aymericdamien/TensorFlow-Examples/    
  
  
  '''    
  
  
  from __future__ import print_function    
  
  
  import tensorflow as tf    
  
  
  # Import MNIST data    
  
  
  from tensorflow.examples.tutorials.mnist import input_data    
  
  
  mnist = input_data.read_data_sets("/tmp/data/", one_hot=True)    
  
  
     
  
  
  # Parameters    
  
  
  learning_rate = 0.01    
  
  
  training_epochs = 25    
  
  
  batch_size = 100    
  
  
  display_step = 1    
  
  
     
  
  
  # tf Graph Input    
  
  
  x = tf.placeholder(tf.float32, [None, 784]) # mnist data image of shape 28*28=784    
  
  
  y = tf.placeholder(tf.float32, [None, 10]) # 0-9 digits recognition => 10 classes    
  
  
     
  
  
  # Set model weights    
  
  
  W = tf.Variable(tf.zeros([784, 10]))    
  
  
  b = tf.Variable(tf.zeros([10]))    
  
  
     
  
  
  # Construct model    
  
  
  pred = tf.nn.softmax(tf.matmul(x, W) + b) # Softmax    
  
  
     
  
  
  # Minimize error using cross entropy    
  
  
  cost = tf.reduce_mean(-tf.reduce_sum(y*tf.log(pred), reduction_indices=1))    
  
  
  # Gradient Descent    
  
  
  optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)    
  
  
     
  
  
  # Initialize the variables (i.e. assign their default value)    
  
  
  init = tf.global_variables_initializer()    
  
  
     
  
  
  # Start training    
  
  
  with tf.Session() as sess:    
  
  
      # Run the initializer    
  
  
      sess.run(init)    
  
  
      # Training cycle    
  
  
      for epoch in range(training_epochs):    
  
  
          avg_cost = 0.    
  
  
          total_batch = int(mnist.train.num_examples/batch_size)    
  
  
          # Loop over all batches    
  
  
          for i in range(total_batch):    
  
  
              batch_xs, batch_ys = mnist.train.next_batch(batch_size)    
  
  
              # Run optimization op (backprop) and cost op (to get loss value)    
  
  
              _, c = sess.run([optimizer, cost], feed_dict={x: batch_xs,    
  
  
                                                            y: batch_ys})    
  
  
              # Compute average loss    
  
  
              avg_cost += c / total_batch    
  
  
          # Display logs per epoch step    
  
  
          if (epoch+1) % display_step == 0:    
  
  
              print("Epoch:", '%04d' % (epoch+1), "cost=", "{:.9f}".format(avg_cost))    
  
  
     
  
  
      print("Optimization Finished!")    
  
  
     
  
  
      # Test model    
  
  
      correct_prediction = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))    
  
  
      # Calculate accuracy    
  
  
      accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))    
  
  
  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：

 
 
 
 
  
  
  
  """ Linear Regression Example """   
  
  
  from __future__ import absolute_import, division, print_function    
  
  
  import tflearn    
  
  
  # Regression data    
  
  
  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]    
  
  
  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]    
  
  
  # Linear Regression graph    
  
  
  input_ = tflearn.input_data(shape=[None])    
  
  
  linear = tflearn.single_unit(input_)    
  
  
  regression = tflearn.regression(linear, optimizer='sgd', loss='mean_square',    
  
  
                                  metric='R2', learning_rate=0.01)    
  
  
  m = tflearn.DNN(regression)    
  
  
  m.fit(X, Y, n_epoch=1000, show_metric=True, snapshot_epoch=False)    
  
  
  print("\nRegression result:")    
  
  
  print("Y = " + str(m.get_weights(linear.W)) +    
  
  
        "*X + " + str(m.get_weights(linear.b)))    
  
  
     
  
  
  print("\nTest prediction for x = 3.2, 3.3, 3.4:")    
  
  
  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：

 
 
 
 
  
  
  
  """ Convolutional Neural Network for MNIST dataset classification task.    
  
  
  References:    
  
  
      Y. LeCun, L. Bottou, Y. Bengio, and P. Haffner. "Gradient-based    
  
  
      learning applied to document recognition." Proceedings of the IEEE,    
  
  
      86(11):2278-2324, November 1998.    
  
  
  Links:    
  
  
      [MNIST Dataset] http://yann.lecun.com/exdb/mnist/    
  
  
  """    
  
  
     
  
  
  from __future__ import division, print_function, absolute_import     
  
  
  import tflearn    
  
  
  from tflearn.layers.core import input_data, dropout, fully_connected    
  
  
  from tflearn.layers.conv import conv_2d, max_pool_2d    
  
  
  from tflearn.layers.normalization import local_response_normalization    
  
  
  from tflearn.layers.estimator import regression    
  
  
     
  
  
  # Data loading and preprocessing    
  
  
  import tflearn.datasets.mnist as mnist    
  
  
  X, Y, testX, testY = mnist.load_data(one_hot=True)    
  
  
  X = X.reshape([-1, 28, 28, 1])    
  
  
  testX = testX.reshape([-1, 28, 28, 1])    
  
  
  # Building convolutional network    
  
  
  network = input_data(shape=[None, 28, 28, 1], name='input')    
  
  
  network = conv_2d(network, 32, 3, activation='relu', regularizer="L2")    
  
  
  network = max_pool_2d(network, 2)    
  
  
  network = local_response_normalization(network)    
  
  
  network = conv_2d(network, 64, 3, activation='relu', regularizer="L2")    
  
  
  network = max_pool_2d(network, 2)    
  
  
  network = local_response_normalization(network)    
  
  
  network = fully_connected(network, 128, activation='tanh')    
  
  
  network = dropout(network, 0.8)    
  
  
  network = fully_connected(network, 256, activation='tanh')    
  
  
  network = dropout(network, 0.8)    
  
  
  network = fully_connected(network, 10, activation='softmax')   
  
  
  network = regression(network, optimizer='adam', learning_rate=0.01,    
  
  
                       loss='categorical_crossentropy', name='target')    
  
  
     
  
  
  # Training    
  
  
  model = tflearn.DNN(network, tensorboard_verbose=0)    
  
  
  model.fit({'input': X}, {'target': Y}, n_epoch=20,    
  
  
             validation_set=({'input': testX}, {'target': testY}),    
  
  
  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。

【原创稿件，合作站点转载请注明原文作者和出处为.com】

新闻标题：TFLearn:基于Scikit-learn和TensorFlow的深度学习利器
地址分享：http://www.csdahua.cn/qtweb/news27/23827.html

网站建设、网络推广公司-快上网，是专注品牌与效果的网站制作，网络营销seo公司；服务项目有等

声明：本网站发布的内容（图片、视频和文字）以用户投稿、用户转载内容为主，如果涉及侵权请尽快告知，我们将会在第一时间删除。文章观点不代表本网站立场，如需处理请联系客服。电话：028-86922220；邮箱：631063699@qq.com。内容未经允许不得转载，或转载时需注明来源：快上网

成都快上网为您推荐相关内容