TensorFlow 的 Graph Execution 入门指南 — TensorFlow 中文文档

阅读 262
收藏 25
2018-05-16
原文链接:tensorflow.juejin.im

Graph Execution 入门

该文档阐述了如何使用机器学习,对鸢尾花的种属(Iris flowers Dataset)进行分类,深入 TensorFlow 源码,阐述机器学习基本原理。

如果你符合下列三个条件,就继续看下去吧:

  • 或多或少听说过机器学习
  • 想学习编写 TensorFlow 程序
  • 会使用 Python 编程

Premade Estimators

如果你想了解很多关于机器学习的基础知识,建议学习下机器学习速成教程

鸢尾花分类问题

假设你是一个植物学家,想将鸢尾花自动分类。机器学习提供多种分类算法。比如,优秀的分类算法通过图像识别对花进行分类。而我们不想止步于此,我们想要在仅知道花瓣、花萼的长度以及宽度的情况下对花进行分类。

鸢尾花专家能识别出 300 多个花种,不过我们的程序目前在以下三种中进行分类:

  • setosa 类
  • virginica 类
  • versicolor 类

三种鸢尾花呈现出的不同花瓣花萼外形

从左至右,Iris setosa (by Radomil, CC BY-SA 3.0),Iris versicolor (by Dlanglois, CC BY-SA 3.0) 和 Iris virginica (by Frank Mayfield,CC BY-SA 2.0)。

 

我们找来 Iris 数据集,包含 120 条带有花萼、花瓣测量的数据。该数据集非常典型,是机器学习分类问题很好的入门材料。(MNIST 数据集,包含大量手写数字,也是分类问题的典型常用数据)。

Iris 数据集的前 5 行如下:

花萼长度 花萼宽度 花瓣长度 花瓣宽度 种属
6.4 2.8 5.6 2.2 2
5.0 2.3 3.3 1.0 1
4.9 2.5 4.5 1.7 2
4.9 3.1 1.5 0.1 0
5.7 3.8 1.7 0.3 0

我们首先介绍一些术语:

  • 最后一列 (种属) 被称为 标记(label);前四列被称为 特征(feature)。特征用来形容样本数据,标记用于之后的结果预测。

  • 一个 样本(example)包含所有特征的集合和样本的标记。上表中,5 条样本数据来自于一个数据量为 120 条数据的数据集。

每个标记都是一个字符串(例如,“setosa”),但由于机器学习通常使用数字,因而我们将每个字符串与数字相对应,对应范式如下:

  • 0 对应 setosa
  • 1 对应 versicolor
  • 2 对应 virginica

更多标签和示例样本请见 机器学习速成课程的 ML 术语部分

模型训练

模型(model)可以看作是特征与标记之间的关系。在鸢尾花问题中,模型定义了花萼花瓣测量数据与花种属之间的关系。有时短短几行代数符号就可以描述一个简单的模型;而有些复杂的模型包含大量的数学符号与复杂的变量关系,很难数字化表达。

现在问题来了:四个特征,一个花种属标记,你能在不使用机器学习的情况下,定义它们之间的关系么?换句话问,你能使用传统的程序语言(比如大量诸如 if/else 的条件语句)来创建模型么?有这个可能。如果你有大把的时间研究数据集,最终也许会找到花萼花瓣与花种属之间的关系。然而,一个好的机器学习算法能够为你预测模型。只要你有足够数量的,足够有代表性的数据,套用适当的模型,最终程序会帮你完美定义花种属与花萼花瓣的关系。

训练 (training)是监督式机器学习的一个阶段,是模型逐渐优化(自我学习)的过程。
鸢尾花问题是 监督式学习 的一个典型,这类模型通过标记的样本数据训练得出。
还有一类机器学习:无监督式学习。这类样本模型是未标记的,模型只通过特征寻找规律。)

运行示例程序前的准备工作

在运行示例程序前,先安装 TensorFlow:

  1. 安装 TensorFlow
  2. 如果你是使用 virtualenv 或 Anaconda 安装 TensorFlow 的,初始化 TensorFlow 环境。
  3. 安装/升级 pandas :

    pip install pandas

按照以下步骤,找到示例程序:

  1. 将 TensorFlow 模型 远程仓库从 github 克隆到本地,命令如下:

    `git clone https://github.com/tensorflow/models`
    
  2. 在该分支下,cd 到包含本文示例代码的目录下:

    `cd models/samples/core/get_started/`
    

get_started 文件目录下,找到名为 premade_estimator.py的 python 文件。

运行示例程序

像运行 Python 程序一样运行 TensorFlow 程序。在命令行敲如下命令运行 premade_estimators.py

python premade_estimator.py

运行程序后会输出一大堆信息,结尾 3 行是预测结果,如下:

...
Prediction is "Setosa" (99.6%), expected "Setosa"

Prediction is "Versicolor" (99.8%), expected "Versicolor"

Prediction is "Virginica" (97.9%), expected "Virginica"

如果程序报错,没有生成预测结果。查看以下问题:

  • 是否成功安装 TensorFlow ?
  • 是否使用了正确版本的 TensorFlow ?程序premade_estimators.py需要版本号至少为 TensorFlow v1.4。
  • 如果你通过 virtualenv 或 Anaconda 安装的 TensorFlow,是否初始化环境?

TensorFlow 技术栈

如下图所示,TensorFlow 技术栈提供了多层 API

TensorFlow 编程环境

 

在开始写 TensorFlow 程序时,我们强烈建议您使用下列两类高层 API:

  • Estimators
  • Datasets

尽管我们偶尔需要使用到其它底层 API ,这篇文档将主要介绍这两类 API。

程序代码

有耐心看到这里的读者,来,我们继续深挖代码。和大部分 TensorFlow 程序相似,如下是premade_estimator.py程序的例行步骤:

  • 引入数据集并解析
  • 创建特征列描述数据
  • 选择模型
  • 训练模型
  • 评估模型
  • 使用训练后的模型进行预测。

下面各小节展开解释。

引入数据集并解析

鸢尾花问题需要引入下列两个 csv 文件的数据:

  • 训练数据集http://download.tensorflow.org/data/iris_training.csv
  • 测试数据集http://download.tensorflow.org/data/iris_test.csv

训练数据集 包含用来训练模型的样本;测试数据集 包含用来评估模型的样本。

训练数据集和测试数据集在最开始是在同一个数据集中,后来该样本数据集被处理:其中的大部分作为训练数据、剩余部分作为测试数据。增加训练集样本数量通常能构造出更好的模型,而增加测试集样本的数量能够更好的评估模型。

premade_estimators.py 程序通过 load_data 函数读取相邻路径的 iris_data.py 文件并解析为训练集和测试集。

代码如下(包含详细注释)

# 定义数据 csv 文件地址
TRAIN_URL = "http://download.tensorflow.org/data/iris_training.csv"
TEST_URL = "http://download.tensorflow.org/data/iris_test.csv"

CSV_COLUMN_NAMES = ['SepalLength', 'SepalWidth',
                    'PetalLength', 'PetalWidth', 'Species']

...

def load_data(label_name='Species'):
    """Parses the csv file in TRAIN_URL and TEST_URL."""

    # 新建路径本地训练集文件
    train_path = tf.keras.utils.get_file(fname=TRAIN_URL.split('/')[-1],
                                         origin=TRAIN_URL)
    # 训练集路径为: ~/.keras/datasets/iris_training.csv

    # 解析本地 CSV 文件
    train = pd.read_csv(filepath_or_buffer=train_path,
                        names=CSV_COLUMN_NAMES,  # 列
                        header=0  # 忽略 CSV 文件首行
                       )
    # 定义 train 变量为 DataFrame(pandas 库中类似表的数据结构)。

    # 1. 定义变量 train_label 为样本标记,DataFrame 的最右行,
    # 2. 从 DataFrame 中删除最右行,
    # 3. 定义 DataFrame 中的剩余行为 train_features 样本特征。
    train_features, train_label = train, train.pop(label_name)

    # 对测试数据集执行上述操作
    test_path = tf.keras.utils.get_file(TEST_URL.split('/')[-1], TEST_URL)
    test = pd.read_csv(test_path, names=CSV_COLUMN_NAMES, header=0)
    test_features, test_label = test, test.pop(label_name)

    # 返回解析好的 DataFrame
    return (train_features, train_label), (test_features, test_label)

Keras 是一个开源机器学习库;tf.keras 是 TensorFlow 对 Keras 的实现。premade_estimator.py 程序只是 tf.keras 的一个函数入口,即: tf.keras.utils.get_file 方法,使拷贝远程 CSV 文件到本地系统更便捷。

调用 load_data 函数返回值为两组 (feature,label) 对,两组数据相对应训练集和测试集:

    # 调用 load_data() 解析 CSV 文件
    (train_feature, train_label), (test_feature, test_label) = load_data()

Pandas 是一个开源的 Python 库,被用于 TensorFlow 函数中。Pandas 的DataFrame 是类似表的数据结构,每一列有列头,每一行有行标。下例为 test_feature DataFrame。

    SepalLength  SepalWidth  PetalLength  PetalWidth
0           5.9         3.0          4.2         1.5
1           6.9         3.1          5.4         2.1
2           5.1         3.3          1.7         0.5
...
27          6.7         3.1          4.7         1.5
28          6.7         3.3          5.7         2.5
29          6.4         2.9          4.3         1.3

描述数据

特征列

tf.feature_column.numeric_column

# 为所有特征创建特征列
my_feature_columns = []
for key in train_x.keys():
    my_feature_columns.append(tf.feature_column.numeric_column(key=key))

下面代码不那么优雅,但更清楚地编码了上述过程,

my_feature_columns = [
    tf.feature_column.numeric_column(key='SepalLength'),
    tf.feature_column.numeric_column(key='SepalWidth'),
    tf.feature_column.numeric_column(key='PetalLength'),
    tf.feature_column.numeric_column(key='PetalWidth')
]

选择模型类型

接下来我们需要选择要训练的模型类型。模型有很多,但找到最理想的模型需要一定经验。我们选择神经网络解决鸢尾花问题。
通过 神经网络 可以找到特征和标记间的复杂关系。神经网络是一个高度结构化的图,组成了一个或多个 隐藏层。每个隐藏层包含一个或多个 神经元。神经网络有不同的类别。这里我们使用 全连接神经网络,就是说:每一层中神经元的输入,来自于上一层的 所有 神经元。举个例子,下图阐述了全连接神经网络,它包含 3 个隐藏层:

  • 第一层有 4 个神经元,
  • 第二次有 3 个神经元,
  • 第三层有 2 个神经元。

包含 3 个隐藏层的神经网络

 

有关神经网络的更详细介绍请见机器学习速成课程之神经网络介绍

我们通过实例化一个 Estimator 类来指定模型类型。TensorFlow 提供两类 Estimator:

tf.estimator.DNNClassifier

    classifier = tf.estimator.DNNClassifier(
        feature_columns=my_feature_columns,
        hidden_units=[10, 10],
        n_classes=3)

使用 hidden_units 参数定义每一隐藏层中神经元的数量。赋值该参数一个列表。如下:

        hidden_units=[10, 10],

hidden_units列表的长度即隐藏层数(此处为 2 层)。列表中的每一个数值代表着该层神经元的个数(此处第一层有 10 个神经元,第二层有 10 个神经元)。只需简单地改变hidden_units的列表参数,就可以调试隐藏层数或神经元的个数。

理想的层数/神经元数量是由数据集或问题本身决定的。正如同机器学习领域的其它方方面面,选择好神经网络的形状,需要大量实验和多方面的知识储备。根据经验法则,增加隐藏层数量/神经元数量往往能构造更强大的模型,这需要更多数据的有效训练。

参数规定了神经网络预测可能值的数量。由于该问题中对 3 中鸢尾花进行分类,我们设置n_classes为 3。

tf.Estimator.DNNClassifier 的构造函数有一个可选参数 optimizer 优化器,在这里我们的程序没有声明。优化器 控制着模型怎样训练。当你在机器学习领域深入,优化器和学习率 (learning rate)将会变的很重要。

训练模型

实例化 tf.Estimator.DNNClassifier 搭建了一个学习模型的框架。抽象来说,我们织好了一张网络,但还没有载入数据。

现在通过调用 estimator 对象的 train 方法训练神经网络。如下:

    classifier.train(
        input_fn=lambda:train_input_fn(train_feature, train_label, args.batch_size),
        steps=args.train_steps)

steps参数值指:通过多少次迭代后停止模型训练。steps 参数越大,意味着训练模型的时间越长。但训练模型时间越长,并不意味着模型更好。args.train_steps 的缺省值为 1000,训练的步骤数是一个可以调优的超参数。选择恰当的步骤数往往需要大量经验实践的积累。

input_fn 参数赋值为获得训练数据的函数,train 方法的调用通过 train_input_fn 函数获得训练数据。下面是该函数签名:

def train_input_fn(features, labels, batch_size):

train_input_fn 传入下列参数值:

  • train_feature 是一个 Python 的字典,该字典中:
    • key 为样本特征名,
    • value 为一个包含训练集所有样本值的数组
  • train_label 为一个包含训练集所有样本标记的数组
  • args.batch_size 数据类型为整型,定义了批量大小

train_input_fn 函数依赖于 Dataset API。这是一个高层 TensorFlow API,用于读取数据并转化成 train 方法所需的格式。
下面的函数调用将输入的特征和标记转化为一个 tf.data.Dataset 对象,Dataset API的基类:

    dataset = tf.data.Dataset.from_tensor_slices((dict(features), labels))

tf.dataset 类给训练提供了许多有用的预备样本。比如下面 3 个函数:

    dataset = dataset.shuffle(buffer_size=1000).repeat(count=None).batch(batch_size)

随机的训练样本会使训练效果更好。通过函数 tf.data.Dataset.shuffle 将样本随机化,设置 buffer_size 值大于样本数量(120)以确保数据洗牌效果。

训练过程中,train 方法通常要多次处理样本。不带参数调用 tf.data.Dataset.repeat 使 train 方法有无穷的(通过不断随机化过程模拟)训练样本集。

train 方法每次批量处理样本,都通过tf.data.Dataset.batch方法串联多个样本创建一个批处理。我们程序中设置默认 批量大小 为 100,意味着 batch 方法串联几组数量为 100 的样本。理想的批量大小取决于问题本身,根据经验法则,小批量往往可以使 train 方法更快地训练模型,但有时候要付出准确率下降的代价。

return 返回一批样本给调用方法(train 方法)。

   return dataset.make_one_shot_iterator().get_next()

评估模型

评估 用来判断模型预测结果的有效性。为了评价鸢尾花分类模型的有效性,我们向模型传入一些花瓣花萼的测量值,让其预测传入数据的花种属,然后对比模型的预测结果与实际标记。举例说明,模型若能够预测正确一半的样本数据,则准确率为 0.5。下面例子展示了一个更有效的模型:

测试集
特征 标记 预测
5.9 3.0 4.3 1.5 1 1
6.9 3.1 5.4 2.1 2 2
5.1 3.3 1.7 0.5 0 0
6.0 3.4 4.5 1.6 1 2
5.5 2.5 4.0 1.3 1 1

该模型有 80% 正确率

 

为了评估模型的有效性,每个 estimator 都提供了 evaluate 方法。premade_estimator.py 程序中调用 evaluate 如下:

# 评估模型
eval_result = classifier.evaluate(
    input_fn=lambda:eval_input_fn(test_x, test_y, args.batch_size))

print('\nTest set accuracy: {accuracy:0.3f}\n'.format(**eval_result))

调用 classifier.evaluateclassifier.train 类似。最大的区别在于classifier.evaluate 需要从测试数据集获取数据,而非训练数据集。换句话说,为了公平地评估模型的有效性,用来评估模型的样本和用于训练的样本必需不同。我们通过调用 eval_input_fn 函数处理了测试集的一批样本。如下:

def eval_input_fn(features, labels=None, batch_size=None):
    """An input function for evaluation or prediction"""
    if labels is None:
        # 无标记,仅使用特征
        inputs = features
    else:
        inputs = (features, labels)

    # 转换输入为 tf.dataset 对象
    dataset = tf.data.Dataset.from_tensor_slices(inputs)

    # 批量处理样本
    assert batch_size is not None, "batch_size must not be None"
    dataset = dataset.batch(batch_size)

    # 返回流程的读结尾
    return dataset.make_one_shot_iterator().get_next()

简单来说,eval_input_fn 在调用 classifier.evaluate 函数时做了以下步骤:

  1. 处理测试集数据,将特征和标记转化为 tf.dataset 对象。
  2. 创建一批测试集样本(测试集样本不需要洗牌或重复随机化)。
  3. 返回测试集样本给 classifier.evaluate

执行代码得出类似下面的输出:

Test set accuracy: 0.967

准确率 0.967 意味着:我们训练出的模型能将测试集里 30 个鸢尾花样本中的 29 个正确分类。

更深入地了解评估模型的不同指标请看机器学习速成课程的分类部分

预测

现在我们训练好模型,而且“证明”了在鸢尾花分类问题中它还不错,虽然并不完美。现在我们用训练的模型在无标记样本(没有标记仅有特征的样本)上做预测;

在实际生活中,无标记的样本来自不同来源:应用中,CSV 文件,数据流等。不过现在我们简单起见,人造下面几个无标记样本:

    predict_x = {
        'SepalLength': [5.1, 5.9, 6.9],
        'SepalWidth': [3.3, 3.0, 3.1],
        'PetalLength': [1.7, 4.2, 5.4],
        'PetalWidth': [0.5, 1.5, 2.1],
    }

每个 estimator 提供一个提供一个 predict 方法,premade_estimator.py 这样调用:

predictions = classifier.predict(
    input_fn=lambda:eval_input_fn(predict_x,
                              labels=None,
                              batch_size=args.batch_size))

evaluate 方法一样,predict 方法通过 eval_input_fn 收集样本。

预测时,我们传标记给 eval_input_fn,而是做如下步骤:

  1. 将我们刚刚人造的 3-元素 数据集特征转换。
  2. 从刚才的数据集中创建批量的 3 个样本。
  3. 返回批量的样本给 classifier.predict

predict 方法返回了一个 python iterable 对象,以字典结构输出每个样本的预测结果。该字典包含多个键值对。probabilities 的值是一个包含 3 个浮点值的列表,每个浮点值代表输入样本是该鸢尾花种属的可能性。例如,下面这个 probabilities 列表:

'probabilities': array([  1.19127117e-08,   3.97069454e-02,   9.60292995e-01])

该列表表明:

  • 该鸢尾花样本是 Setosa 的概率忽略不计。
  • 有 3.97% 概率为 Versicolor 类。
  • 有 96.0% 概率为 Virginica 类。

class_ids 的值为仅有一个元素的数组,表明该样本最有可能是哪个种类:

'class_ids': array([2])

2 类对应 Virginica 类鸢尾花。下面代码迭代整个 predictions 并针对每个 predictions 生成报告:

for pred_dict, expec in zip(predictions, expected):
    template = ('\nPrediction is "{}" ({:.1f}%), expected "{}"')

    class_id = pred_dict['class_ids'][0]
    probability = pred_dict['probabilities'][class_id]
    print(template.format(iris_data.SPECIES[class_id], 100 * probability, expec))

程序输出如下:

...
Prediction is "Setosa" (99.6%), expected "Setosa"

Prediction is "Versicolor" (99.8%), expected "Versicolor"

Prediction is "Virginica" (97.9%), expected "Virginica"

小结

此文档简要的介绍了机器学习。

由于 premade_estimators.py 依赖于高层 API,机器学习中大部分的复杂数学被隐藏。如果你想要深入学习机器学习,我们推荐学习梯度下降,批量,还有神经网络。

特征列

评论