1 快速入门模型
机器学习鸢尾花数据集分析:https://blog.csdn.net/ZGL_cyy/article/details/126924746
机器学习k近邻算法鸢尾花种类预测:https://blog.csdn.net/ZGL_cyy/article/details/126966990
我们通过鸢尾花分类案例，来给大家介绍tf.keras的基本使用流程。tf.keras使用tensorflow中的高级接口，我们调用它即可完成：
- 导入和解析数据集
- 构建模型
- 使用样本数据训练该模型
- 评估模型的效果。
由于与scikit -learn的相似性，接下来我们将通过将Keras与scikit -learn进行比较，介绍tf.Keras的相关使用方法。
2 相关的库的导入
在这里使用sklearn和tf.keras完成鸢尾花分类，导入相关的工具包：
# 绘图 import seaborn as sns # 数值计算 import numpy as np # sklearn中的相关工具 # 划分训练集和测试集 from sklearn.model_selection import train_test_split # 逻辑回归 from sklearn.linear_model import LogisticRegressionCV # tf.keras中使用的相关工具 # 用于模型搭建 from tensorflow.keras.models import Sequential # 构建模型的层和激活方法 from tensorflow.keras.layers import Dense, Activation # 数据处理的辅助工具 from tensorflow.keras import utils
3 数据展示和划分
利用seborn导入相关的数据，iris数据以dataFrame的方式在seaborn进行存储，我们读取后并进行展示：
# 读取数据 iris = sns.load_dataset("iris") # 展示数据的前五行 iris.head()
另外，利用seaborn中pairplot函数探索数据特征间的关系：
# 将数据之间的关系进行可视化 sns.pairplot(iris, hue='species')
将数据划分为训练集和测试集：从iris dataframe中提取原始数据，将花瓣和萼片数据保存在数组X中，标签保存在相应的数组y中：
# 花瓣和花萼的数据 X = iris.values[:, :4] # 标签值 y = iris.values[:, 4]
利用train_test_split完成数据集划分：
# 将数据集划分为训练集和测试集 train_X, test_X, train_y, test_y = train_test_split(X, y, train_size=0.5, test_size=0.5, random_state=0)
接下来，我们就可以使用sklearn和tf.keras来完成预测
4 sklearn实现
利用逻辑回归的分类器，并使用交叉验证的方法来选择最优的超参数，实例化LogisticRegressionCV分类器，并使用fit方法进行训练：
# 实例化分类器 lr = LogisticRegressionCV() # 训练 lr.fit(train_X, train_y)
利用训练好的分类器进行预测，并计算准确率：
# 计算准确率并进行打印 print("Accuracy = {:.2f}".format(lr.score(test_X, test_y)))
逻辑回归的准确率为：
Accuracy = 0.93
5 tf.keras实现
在sklearn中我们只要实例化分类器并利用fit方法进行训练，最后衡量它的性能就可以了，那在tf.keras中与在sklearn非常相似，不同的是：
- 构建分类器时需要进行模型搭建
- 数据采集时，sklearn可以接收字符串型的标签，如：“setosa”，但是在tf.keras中需要对标签值进行热编码，如下所示：
有很多方法可以实现热编码，比如pandas中的get_dummies(),在这里我们使用tf.keras中的方法进行热编码：
# 进行热编码 def one_hot_encode_object_array(arr): # 去重获取全部的类别 uniques, ids = np.unique(arr, return_inverse=True) # 返回热编码的结果 return utils.to_categorical(ids, len(uniques))
接下来对标签值进行热编码：
# 训练集热编码 train_y_ohe = one_hot_encode_object_array(train_y) # 测试集热编码 test_y_ohe = one_hot_encode_object_array(test_y)
在sklearn中，模型都是现成的。tf.Keras是一个神经网络库,我们需要根据数据和标签值构建神经网络。神经网络可以发现特征与标签之间的复杂关系。神经网络是一个高度结构化的图，其中包含一个或多个隐藏层。每个隐藏层都包含一个或多个神经元。神经网络有多种类别，该程序使用的是密集型神经网络，也称为全连接神经网络：一个层中的神经元将从上一层中的每个神经元获取输入连接。例如，图 2 显示了一个密集型神经网络，其中包含 1 个输入层、2 个隐藏层以及 1 个输出层，如下图所示：
上图 中的模型经过训练并馈送未标记的样本时，它会产生 3 个预测结果：相应鸢尾花属于指定品种的可能性。对于该示例，输出预测结果的总和是 1.0。该预测结果分解如下：山鸢尾为 0.02，变色鸢尾为 0.95，维吉尼亚鸢尾为 0.03。这意味着该模型预测某个无标签鸢尾花样本是变色鸢尾的概率为 95％。
TensorFlow tf.keras API 是创建模型和层的首选方式。通过该 API，您可以轻松地构建模型并进行实验，而将所有部分连接在一起的复杂工作则由 Keras 处理。
tf.keras.Sequential 模型是层的线性堆叠。该模型的构造函数会采用一系列层实例；在本示例中，采用的是 2 个密集层（分别包含 10 个节点）以及 1 个输出层（包含 3 个代表标签预测的节点）。第一个层的 input_shape 参数对应该数据集中的特征数量：
# 利用sequential方式构建模型 model = Sequential([ # 隐藏层1，激活函数是relu,输入大小有input_shape指定 Dense(10, activation="relu", input_shape=(4,)), # 隐藏层2，激活函数是relu Dense(10, activation="relu"), # 输出层 Dense(3,activation="softmax") ])
通过model.summary可以查看模型的架构：
Model: "sequential" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= dense (Dense) (None, 10) 50 _________________________________________________________________ dense_1 (Dense) (None, 10) 110 _________________________________________________________________ dense_2 (Dense) (None, 3) 33 ================================================================= Total params: 193 Trainable params: 193 Non-trainable params: 0 _________________________________________________________________
激活函数可决定层中每个节点的输出形状。这些非线性关系很重要，如果没有它们，模型将等同于单个层。激活函数有很多，但隐藏层通常使用 ReLU。
隐藏层和神经元的理想数量取决于问题和数据集。与机器学习的多个方面一样，选择最佳的神经网络形状需要一定的知识水平和实验基础。一般来说，增加隐藏层和神经元的数量通常会产生更强大的模型，而这需要更多数据才能有效地进行训练。
在训练和评估阶段，我们都需要计算模型的损失。这样可以衡量模型的预测结果与预期标签有多大偏差，也就是说，模型的效果有多差。我们希望尽可能减小或优化这个值，所以我们设置优化策略和损失函数，以及模型精度的计算方法：
# 设置模型的相关参数：优化器，损失函数和评价指标 model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=["accuracy"])
接下来与在sklearn中相同，分别调用fit和predict方法进行预测即可。
# 模型训练：epochs,训练样本送入到网络中的次数，batch_size:每次训练的送入到网络中的样本个数 model.fit(train_X, train_y_ohe, epochs=10, batch_size=1, verbose=1);
上述代码完成的是：
- 迭代每个epoch。通过一次数据集即为一个epoch。
- 在一个epoch中，遍历训练 Dataset 中的每个样本，并获取样本的特征 (x) 和标签 (y)。
- 根据样本的特征进行预测，并比较预测结果和标签。衡量预测结果的不准确性，并使用所得的值计算模型的损失和梯度。
- 使用 optimizer 更新模型的变量。
- 对每个epoch重复执行以上步骤，直到模型训练完成。
- 训练过程展示如下：
Epoch 1/10 75/75 [==============================] - 0s 616us/step - loss: 0.0585 - accuracy: 0.9733 Epoch 2/10 75/75 [==============================] - 0s 535us/step - loss: 0.0541 - accuracy: 0.9867 Epoch 3/10 75/75 [==============================] - 0s 545us/step - loss: 0.0650 - accuracy: 0.9733 Epoch 4/10 75/75 [==============================] - 0s 542us/step - loss: 0.0865 - accuracy: 0.9733 Epoch 5/10 75/75 [==============================] - 0s 510us/step - loss: 0.0607 - accuracy: 0.9733 Epoch 6/10 75/75 [==============================] - 0s 659us/step - loss: 0.0735 - accuracy: 0.9733 Epoch 7/10 75/75 [==============================] - 0s 497us/step - loss: 0.0691 - accuracy: 0.9600 Epoch 8/10 75/75 [==============================] - 0s 497us/step - loss: 0.0724 - accuracy: 0.9733 Epoch 9/10 75/75 [==============================] - 0s 493us/step - loss: 0.0645 - accuracy: 0.9600 Epoch 10/10 75/75 [==============================] - 0s 482us/step - loss: 0.0660 - accuracy: 0.9867
与sklearn中不同，对训练好的模型进行评估时，与sklearn.score方法对应的是tf.keras.evaluate()方法，返回的是损失函数和在compile模型时要求的指标:
# 计算模型的损失和准确率 loss, accuracy = model.evaluate(test_X, test_y_ohe, verbose=1) print("Accuracy = {:.2f}".format(accuracy))
分类器的准确率为：
3/3 [==============================] - 0s 591us/step - loss: 0.1031 - accuracy: 0.9733 Accuracy = 0.97
6 总结
- 使用tf.keras进行分类时的主要流程：数据处理-构建模型-模型训练-模型验证
- tf.keras中构建模型可通过squential()来实现并利用.fit()方法进行训练
- 使用evaluate()方法计算损失函数和准确率
