如何将 Tensorflow 与 Estimators 结合使用来返回一个二元素元组?
tensorflowserver side programmingprogramming更新于 2025/5/21 11:37:17
通过创建一个获取特征和标签并将它们作为 Numpy 数组返回的方法，可以处理鸢尾花数据集并返回一个二元素元组。
阅读更多: 什么是 TensorFlow，以及 Keras 如何与 TensorFlow 配合使用来创建神经网络?
我们将使用 Keras Sequential API，它有助于构建一个顺序模型，该模型用于处理简单的层堆栈，其中每个层只有一个输入张量和一个输出张量。
包含至少一个层的神经网络称为卷积层。我们可以使用卷积神经网络来构建学习模型。
TensorFlow Text 包含可与 TensorFlow 2.0 一起使用的文本相关类和操作的集合。 TensorFlow Text 可用于预处理序列建模。
我们使用 Google Colaboratory 运行以下代码。Google Colab 或 Colaboratory 有助于在浏览器上运行 Python 代码，无需配置，可免费访问 GPU(图形处理单元)。Colaboratory 建立在 Jupyter Notebook 之上。
Estimator 是 TensorFlow 对完整模型的高级表示。它旨在轻松扩展和异步训练。
该模型使用鸢尾花数据集进行训练。有 4 个特征和一个标签。
- 萼片长度
- 萼片宽度
- 花瓣长度
- 花瓣宽度
示例
print("Function that returns a two-element tuple")
def input_evaluation_set():
features = {'SepalLength': np.array([6.4, 5.0]),
'SepalWidth': np.array([2.8, 2.3]),
'PetalLength': np.array([5.6, 3.3]),
'PetalWidth': np.array([2.2, 1.0])}
labels = np.array([2, 1])
return features, labels
代码来源 −https://www.tensorflow.org/tutorials/estimator/premade#first_things_first
输出
Function that returns a two-element tuple
解释
一旦设置好数据，就可以使用 Tensorflow 估算器定义模型。
估算器是从 tf.estimator.Estimator 派生的任何类
创建一个或多个输入函数。
定义模型的特征列。
实例化估算器，其中指定特征列和各种超参数。
调用估算器对象上的一个或多个方法，并将适当的输入输出函数作为源传递。
