Skip to main content
 首页 » 编程设计

python之使用 tf.contrib.learn 解决基本逻辑分类器

2025年02月15日7lvdongjie

我正在学习 Tensorflow 中的 tf.contrib.learn,并且正在使用自制练习。练习是将三个区域分类如下,以x1和x2为输入,标签为三角形/圆形/十字形:

我的代码能够拟合数据并对其进行评估。但是,我似乎无法做出预测。代码如下。有什么想法吗?

from __future__ import absolute_import 
from __future__ import division 
from __future__ import print_function 
 
import argparse 
import sys 
import tempfile 
 
from six.moves import urllib 
 
import pandas as pd 
import tensorflow as tf 
import numpy as np 
 
FLAGS = None 
 
myImportedDatax1_np = np.array([[.1],[.1],[.2],[.2],[.4],[.4],[.5],[.5],[.1],[.1],[.2],[.2]],dtype=float) 
myImportedDatax2_np = np.array([[.1],[.2],[.1],[.2],[.1],[.2],[.1],[.2],[.4],[.5],[.4],[.5]],dtype=float) 
combined_Imported_Data_x = np.append(myImportedDatax1_np, myImportedDatax2_np, axis=1) 
myImportedDatay_np = np.array([[0],[0],[0],[0],[1],[1],[1],[1],[2],[2],[2],[2]],dtype=int) 
 
def build_estimator(model_dir, model_type): 
  x1 = tf.contrib.layers.real_valued_column("x1") 
  x2 = tf.contrib.layers.real_valued_column("x2") 
 
  wide_columns = [x1, x2] 
  m = tf.contrib.learn.LinearClassifier(model_dir=model_dir, feature_columns=wide_columns) 
  return m 
 
def input_fn(input_batch, output_batch): 
  inputs = {"x1": tf.constant(input_batch[:,0]), "x2": tf.constant(input_batch[:,1])} 
  label = tf.constant(output_batch) 
  print(inputs) 
  print(label) 
  print(input_batch) 
  # Returns the feature columns and the label. 
  return inputs, label 
 
def train_and_eval(model_dir, model_type, train_steps, train_data, test_data): 
  model_dir = tempfile.mkdtemp() if not model_dir else model_dir 
  print("model directory = %s" % model_dir) 
  m = build_estimator(model_dir, model_type) 
  m.fit(input_fn=lambda: input_fn(combined_Imported_Data_x, myImportedDatay_np), steps=train_steps) 
  results = m.evaluate(input_fn=lambda: input_fn(np.array([[.4, .1],[.4, .2]], dtype=float), np.array([[0], [0]], dtype=int)), steps=1) 
  for key in sorted(results): 
    print("%s: %s" % (key, results[key])) 
  predictions = list(m.predict(input_fn=({"x1": tf.constant([[.1]]),"x2": tf.constant([[.1]])}))) 
 # print(predictions) 
 
def main(_): 
  train_and_eval(FLAGS.model_dir, FLAGS.model_type, FLAGS.train_steps, 
                 FLAGS.train_data, FLAGS.test_data) 
 
if __name__ == "__main__": 
  parser = argparse.ArgumentParser() 
  parser.register("type", "bool", lambda v: v.lower() == "true") 
  parser.add_argument( 
      "--model_dir", 
      type=str, 
      default="", 
      help="Base directory for output models." 
  ) 
  parser.add_argument( 
      "--model_type", 
      type=str, 
      default="wide_n_deep", 
      help="Valid model types: {'wide', 'deep', 'wide_n_deep'}." 
  ) 
  parser.add_argument( 
      "--train_steps", 
      type=int, 
      default=200, 
      help="Number of training steps." 
  ) 
  parser.add_argument( 
      "--train_data", 
      type=str, 
      default="", 
      help="Path to the training data." 
  ) 
  parser.add_argument( 
      "--test_data", 
      type=str, 
      default="", 
      help="Path to the test data." 
  ) 
  FLAGS, unparsed = parser.parse_known_args() 
  tf.app.run(main=main, argv=[sys.argv[0]] + unparsed) 

请您参考如下方法:

要解决这个具体问题,您可以添加以下与现有输入函数类似的输入函数,除了它返回 None 作为元组中的第二个元素

def input_fn_predict(): 
  inputs = {"x1": tf.constant([0.1]), "x2": tf.constant([0.2])} 
  print(inputs) 
  return inputs, None 

在下一阶段,您可以通过以下方式调用它:

predictions = list(m.predict(input_fn=lambda: input_fn_predict())) 

如果你注释掉你的打印品,那么这应该有效。