TensorFlow学习笔记 －－识别圆圈内的点

2019独角兽企业重金招聘Python工程师标准>>>

    在下面这个图上，找出哪些点在圆内，哪些在圆外，对我们来说非常简单。因为我们有眼睛，能看；有大脑，能想。 但是，如果让电脑来做这件事情，就没那么简单了。我们看一下TensorFlow是如何使用深度神经网络做到的。

介绍

在平面上画一个圆，表达式为x^2+y^2 = 100。 即以原点为中心，半径为100点圆。

在平面上随机生成一批点, 要求 -200<= x <=200, -200<= y <=200。如果点落在圆内(含边界上)，则该点的label为0，即图中的实心圆点; 若落在圆外面，则该点label为1，即空心圆点.

要求：通过对数据的分析，生成模型，并对新数据的label进行预测。

步骤

• 生成数据
• 用TensorFlow训练模型
• 预测新数据

1. 生成数据

我用的php代码，大家可以用任何自己喜欢但语言。 文件“generate.php”可以生成2个文件，训练数据training_data.csv和测试数据test_data.csv，代码如下：

<?php

$TRAINING_NUM = 200;//生成训练集坐标点的数量
$TEST_NUM = 100;//生成测试集坐标点的数量
$TRAINING_FILE = "training_data.csv";
$TEST_FILE = "test_data.csv";

generate_data($TRAINING_FILE,$TRAINING_NUM);
generate_data($TEST_FILE,$TEST_NUM);

function generate_data ($file, $num){
    unlink($file);
    file_put_contents($file,$num.',2,in,out'."\r\n",FILE_APPEND);
    $R = 100;
    $MIN_X = -200;
    $MAX_X = 200;
    $MIN_Y = -200;
    $MAX_Y = 200;
    for ($i=0; $i < $num; $i++) { 
        $x = rand($MIN_X,$MAX_X);
        $y = rand($MIN_Y,$MAX_Y);
        $label = 1;
        if (($x*$x + $y*$y) <= $R*$R){
            $label =0;
        }
        $line =  $x.','.$y.','.$label."\r\n";
        file_put_contents($file,$line,FILE_APPEND);
    }
}

运行

php generate.php

生成2个文件training_data.csv 和test_date.csv

内容类似下面这样:

200,2,in,out
-70,-81,0
-50,-198,0
169,-93,0
51,-78,1
...

第一行是header。第一行的第一个数字表示文件的总行数(不含header)，第二个数字是特征数，本例中有2个特征: x坐标和y坐标。后面2个是label(可忽略)。从第二行开始，每行的三个数字分别是x，y和label。

2. 用TensorFlow训练模型 & 预测新样本

代码circle_dnn_classifier.py 如下：

#coding:utf-8

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

import tensorflow as tf
import numpy as np

# 数据集
TRAINING_FILE = "training_data.csv";
TEST_FILE = "test_data.csv";

# 加载数据
training_set = tf.contrib.learn.datasets.base.load_csv_with_header(
    filename=TRAINING_FILE,
    target_dtype=np.int,
    features_dtype=np.int)
test_set = tf.contrib.learn.datasets.base.load_csv_with_header(
    filename=TEST_FILE,
    target_dtype=np.int,
    features_dtype=np.int)

# 确定所有的特征类型为real-value,特征数量为2
feature_columns = [tf.contrib.layers.real_valued_column("", dimension=2)]

# 创建一个3层的深度神经网络, 分别有 10, 20, 10 个神经元.
classifier = tf.contrib.learn.DNNClassifier(feature_columns=feature_columns,
                                            hidden_units=[10, 20, 10],
                                            n_classes=3,
                                            model_dir="model")

# 适配模型,训练2000步
classifier.fit(x=training_set.data,y=training_set.target,steps=2000)

# 评估结果
evaluate = classifier.evaluate(x=test_set.data,y=test_set.target)
print(evaluate)

# 对新样本进行预测
new_samples = np.array([[50, 12], [121, 20]], dtype=int)
y = list(classifier.predict(new_samples, as_iterable=True))

print('Predictions: {}'.format(str(y)))

运行代码:

python circle_dnn_classifier.py

结果

...
{'loss': 0.20674889, 'global_step': 2000, 'accuracy': 0.89999978} //测试数据监测准确率89.99%
...
Predictions: [0, 1]   //对新数据预测

可以看到，模型运行正常，准确率是89.99%。

两个新样本在图中的位置，label分别是0和1，TensorFlow识别正确。

 

可以通过一些简单的办法提高精度：

1.增加训练数据，比如将训练数据增加到5000条(相应地将测试集增加到1000)

2.增加训练次数，比如将step设置为8000

经测试，通过这样的优化，测试结果准确率提高到了99.4％！

大家有兴趣，可以用椭圆或者更加复杂的规则试试，看看TensorFlow训练的效果如何。

转载于:https://my.oschina.net/stanleysun/blog/1421782