1、概述
新版tensorflow内置了六款模型,包含线性回归模型和逻辑回归模型,能够使用这些模型非常方便快捷的实现自己的业务需求。但如果内置模型不能满足我们的业务需求时,就需要我们来自定义自己的模型。
如下图所示,预创建的 Estimator 是 tf.estimator.Estimator
基类的子类,
而自定义 Estimator 是 tf.estimator.Estimator 的实例:
模型函数(即 model_fn
)会实现机器学习算法。采用预创建的 Estimator 和自定义 Estimator 的唯一区别是:
- 如果采用预创建的 Estimator,则有人已为您编写了模型函数。
- 如果采用自定义 Estimator,则您必须自行编写模型函数。
您的模型函数可以实现各种算法,定义各种各样的隐藏层和指标。与输入函数一样,所有模型函数都必须接受一组标准输入参数并返回一组标准输出值。正如输入函数可以利用 Dataset API 一样,模型函数可以利用 Layers API 和 Metrics API。
2、自定义模型
在定义模型之前建议先对模型结构进行设计,假如我们需要解决鸢尾花分类的问题,需要使用下面的模型。
根据上图的顺序我们可以按照 输入层,隐藏层 , 和输出层的顺序来创建estimator。输入数据的处理与之前章节讨论的方式是一样的。
3、创建输入数据函数
我们通过tf内置的读取文件的形式来读入数据,并对数据进行扩充(repeat),打乱(shuffle),以及批次处理,请参考如下代码:
# 读取鸢尾花的数据,使用tf直接读取文件,生成对应的输入数据集
import tensorflow as tf
ds = tf.data.TextLineDataset('iris_training.csv').skip(1)
# 指定csv文件的列名
COLUMNS = ['SepalLength', 'SepalWidth',
'PetalLength', 'PetalWidth',
'label']
# 指定csv各个字段的默认值
FIELD_DEFAULTS = [[0.0], [0.0], [0.0], [0.0], [0]]
def _parse_line(line):
# 将每一行解析到对应的字段当中
fields = tf.decode_csv(line, FIELD_DEFAULTS)
# 将字段值与列名组成一个字典
features = dict(zip(COLUMNS,fields))
#将特征值与标记列分开
label = features.pop('label')
return features, label
ds = ds.map(_parse_line)
def train_func