Google將其機器學習框架Tensorflow開源后引起了世界風暴，本文主要闡述如何在日常數據科學中使用該框架。

為什么使用Tensorflow?

　　作為一個數據科學研究者，已經有很多工具如R語言、Scikit等學習工具，為什么還要使用Tensorflow呢？

　　1. TensorFlow的深度學習部分能夠在一個模型中堆積了許多不同的模型和轉換，你能夠在一個模型中方便地處理文本 圖片和規則分類以及連續變量，同時實現多目標和多損失工作；

　　2. TensorFlow的管道部分能夠將數據處理和機器學習放在一個框架中，TensorFlow指引了方向。

?

Titanic?數據集的簡單模型

　　開始一個簡單的案例，從Kaggle獲得Titanic?數據集，首先，肯定你已經安裝了?TensorFlow?和?Scikit Learn，包括一些支持庫包Scikit Flow ，它可以簡化TensorFlow的許多工作。

pip install numpy scipy sklearn pandas # For Ubuntu: pip install https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.5.0-cp27-none-linux_x86_64.whl # For Mac: pip install https://storage.googleapis.com/tensorflow/mac/tensorflow-0.5.0-py2-none-any.whl pip install git+git://github.com/google/skflow.git

?

你可以從http://github.com/ilblackdragon/tf_examples得到數據集和代碼：

git clone https://github.com/ilblackdragon/tf_examples.git

?

使用iPython或 iPython notebook可以快速瀏覽一下數據：

>>> import pandas >>> data = pandas.read_csv('data/train.csv') >>> data.shape (891, 12) >>> data.columns Index([u'PassengerId', u'Survived', u'Pclass', u'Name', u'Sex', u'Age',u'SibSp', u'Parch', u'Ticket', u'Fare', u'Cabin', u'Embarked'],dtype='object') >>> data[:1]PassengerId Survived Pclass Name Sex Age SibSp 0 1 0 3 Braund, Mr. Owen Harris male 22 1Parch Ticket Fare Cabin Embarked 0 0 A/5 21171 7.25 NaN S

讓我們基于Scikit?學習的浮點變量預測Survived?類別：

>>> y, X = train['Survived'], train[['Age', 'SibSp', 'Fare']].fillna(0) >>> X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) >>> lr = LogisticRegression() >>> lr.fit(X_train, y_train) >>> print accuracy_score(lr.predict(X_test), y_test) 0.664804469274

我們將數據集分離進入特征和目標，用數據零填入N/A中，建立一個邏輯回歸，基于訓練數據的預測會給我們一定的精確度，現在使用Scikit Flow：

>>> import skflow >>> import random >>> random.seed(42) # to sample data the same way >>> classifier = skflow.TensorFlowLinearClassifier(n_classes=2, batch_size=128, steps=500, learning_rate=0.05) >>> classifier.fit(X_train, y_train) >>> print accuracy_score(classifier.predict(X_test), y_test) 0.68156424581

恭喜你，你已經建立了第一個TensorFlow?模型。

?

Scikit Flow

　　Scikit Flow是一個將TensorFlow包裝其中提供多新與Scikit Learn?API類似的API。TensorFlow是一個構建和執行圖，這是一個強大的概念，但是開始時比較復雜一些。所以，需要簡化包裝一下。

揭開?Scikit Flow神秘面紗，我們發現有三個部分：

• TensorFlowTrainer?—?各種優化類，可以進行灰度修剪等優化。
• logistic_regression邏輯回歸?—?創建一個邏輯回歸模型的圖
• linear_regression線性回歸?—?創建線性回歸模型的圖。
• DataFeeder?—?取樣訓練數據的最小批次放入模型。
• TensorFlowLinearClassifier?—?一個使用LogisticRegression實現Scikit Learn接口的類，它創建一個模型和一個訓練者，使用給定數據集調用fit()運行訓練者，調用predict()在評估模型中運行模型。
• TensorFlowLinearRegressor?—?類似于TensorFlowClassifier, 但是使用 LinearRegression作為一個模型

?

模擬數據

　　我們使用TensorFlow分析三種模擬數據：線性可數據，月亮和土星數據三種。第一種使用線性分類器很容易實現，后兩種需要非線性模型如多層神經網絡multi-layer neural network。

線性數據如下，可以用從左上到右下一條直線區分這兩族數據：

線性分類器如?感知器, 邏輯回歸, 線性判別分析, 支持向量機(SVM)都能很好實現這種線性分類。

月亮數據如下，如同兩個月亮環抱，這就很難找出一條線可以將這兩種顏色的數據進行分離。

而土星數據則是一族數據環繞另外一組數據：

Jason Baldridge在其github上根據Tensorflow案例mnist.py編寫了Softmax回歸：?softmax.py.，使用它進行線性分析：

$ python softmax.py --train simdata/linear_data_train.csv --test simdata/linear_data_eval.csv Accuracy: 0.99

一代訓練結果非常精確達到99%?，二代訓練能夠達到100%:

$ python softmax.py --train simdata/linear_data_train.csv --test simdata/linear_data_eval.csv --num_epochs 2 Accuracy: 1.0

更多請參考：

Simple end-to-end TensorFlow examples

?

機器學習流行算法一覽

機器學習教程：從感知到深度神經網絡

總結

以上是生活随笔為你收集整理的Tensorflow简单教程的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。