将OneNote笔记与Word文档链接的两种方法(onenote怎样打开word文档)
790
2022-05-30
一、简介
estimators是tensorFlow的机器学习高阶API:
包括四个部分:
1.1、训练
1.2、评估
1.3、预测
1.4、服务导出
该api基于类:tf.estimator.Estimator.
二、优势
estimator有以下优势:
2.1、基于estimator的模型既可以在本地运行,也可以在分布式环境中运行,可以不修改代码同时在CPU、TPU、GPU服务器上运行
2.2、轻便的实现模型开发者之间的共享
2.3、更简单的时间模型
2.4、estimator是简化订制在tf.layers
2.5、自动图像化
2.6、提供安全的训练循环:·图像化、·内置变量、·启动队列、·异常管理、·从错误中创建和删除测点文件
三、pre-made(预制)
预制能够让开发者从更高层面工作。预制estimator为开发者创造和管理图和会话对象。
3.1、预制estimators程序结构
3.1.1 写一个或多个数据集导入函数(返回一个特征数据字典、一个包含标签的tensor)
def input_fn(dataset):
... # manipulate dataset, extracting the feature dict and the label
return feature_dict, label
3.1.2 定义特征列
每一个tf.feature_column定义特征名、类型和任何输入预处理,举三个例子:
# Define three numeric feature columns.
population = tf.feature_column.numeric_column('population')
crime_rate = tf.feature_column.numeric_column('crime_rate')
median_education = tf.feature_column.numeric_column('median_education',
normalizer_fn=lambda x: x - global_education_mean)
3.1.3 实例化预制estimator
举 LinearClassifier的例子:
# Instantiate an estimator, passing the feature columns.
estimator = tf.estimator.LinearClassifier(
feature_columns=[population, crime_rate, median_education],
)
3.1.4调用训练、评价、生成方法:
举train方法:
# my_training_set is the function created in Step 1
estimator.train(input_fn=my_training_set, steps=2000)
3.2、预制评估器的优势
指明计算图在计算机和计算集群中何处运行的最佳实践
普遍有用的事件总结最佳实践
四、订制评估器
订制评估器和预制评估器的核心,都是模型函数。
五、工作流推荐
5.1 假设合适的预制评估器存在,用它来构造第一个模型并建立基准线
5.2 构造和测试全局管道,包括对这个预制评估器的数据完整性和可靠性
5.3 对预制评估器做适当的修改,使他能够产生最佳结果
5.4 如果可以的话,建立自己的模型
六、从Keras models建立评估器
举例调用tf.keras.estimator.model_to_estimator
# Instantiate a Keras inception v3 model.
keras_inception_v3 = tf.keras.applications.inception_v3.InceptionV3(weights=None)
# Compile model with the optimizer, loss, and metrics you'd like to train with.
keras_inception_v3.compile(optimizer=tf.keras.optimizers.SGD(lr=0.0001, momentum=0.9),
loss='categorical_crossentropy',
metric='accuracy')
# Create an Estimator from the compiled Keras model. Note the initial model
# state of the keras model is preserved in the created Estimator.
est_inception_v3 = tf.keras.estimator.model_to_estimator(keras_model=keras_inception_v3)
# Treat the derived Estimator as you would with any other Estimator.
# First, recover the input name(s) of Keras model, so we can use them as the
# feature column name(s) of the Estimator input function:
keras_inception_v3.input_names # print out: ['input_1']
# Once we have the input name(s), we can create the input function, for example,
# for input(s) in the format of numpy ndarray:
train_input_fn = tf.estimator.inputs.numpy_input_fn(
x={"input_1": train_data},
y=train_labels,
num_epochs=1,
shuffle=False)
# To train, we call Estimator's train function:
est_inception_v3.train(input_fn=train_input_fn, steps=2000)
TensorFlow
版权声明:本文内容由网络用户投稿,版权归原作者所有,本站不拥有其著作权,亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容,请联系我们jiasou666@gmail.com 处理,核实后本网站将在24小时内删除侵权内容。