Công cụ ước tính có thể được khởi tạo bằng Tensorflow bằng cách sử dụng phương thức ‘DNNClassifier’ có trong lớp ‘công cụ ước tính’ của thư viện Tensorflow.
Đọc thêm: TensorFlow là gì và cách Keras làm việc với TensorFlow để tạo Mạng thần kinh?
Chúng tôi sẽ sử dụng API tuần tự Keras, hữu ích trong việc xây dựng mô hình tuần tự được sử dụng để làm việc với một chồng lớp đơn giản, trong đó mỗi lớp có chính xác một tensor đầu vào và một tensor đầu ra.
Một mạng nơ-ron chứa ít nhất một lớp được gọi là lớp chập. Chúng ta có thể sử dụng Mạng thần kinh hợp pháp để xây dựng mô hình học tập.
TensorFlow Text chứa tập hợp các lớp và hoạt động liên quan đến văn bản có thể được sử dụng với TensorFlow 2.0. TensorFlow Text có thể được sử dụng để xử lý trước mô hình trình tự.
Chúng tôi đang sử dụng Google Colaboratory để chạy đoạn mã dưới đây. Google Colab hoặc Colaboratory giúp chạy mã Python qua trình duyệt và không yêu cầu cấu hình cũng như quyền truy cập miễn phí vào GPU (Đơn vị xử lý đồ họa). Colaboratory đã được xây dựng trên Jupyter Notebook.
Công cụ ước tính là đại diện cấp cao của TensorFlow về một mô hình hoàn chỉnh. Nó được thiết kế để dễ dàng mở rộng quy mô và đào tạo không đồng bộ.
Mô hình được đào tạo bằng cách sử dụng tập dữ liệu mống mắt.
Ví dụ
print("Build a DNN that has 2 hidden layers with 30 and 10 hidden nodes each")
classifier = tf.estimator.DNNClassifier(
feature_columns=my_feature_columns,
hidden_units=[30, 10],
n_classes=3) Mã tín dụng −https://www.tensorflow.org/tutorials/estimator/premade#first_things_first
Đầu ra
Build a DNN that has 2 hidden layers with 30 and 10 hidden nodes each
INFO:tensorflow:Using default config.
WARNING:tensorflow:Using temporary folder as model directory: /tmp/tmpdh8866zb
INFO:tensorflow:Using config: {'_model_dir': '/tmp/tmpdh8866zb', '_tf_random_seed': None, '_save_summary_steps': 100, '_save_checkpoints_steps': None, '_save_checkpoints_secs': 600, '_session_config': allow_soft_placement: true
graph_options {
rewrite_options {
meta_optimizer_iterations: ONE
}
}
, '_keep_checkpoint_max': 5, '_keep_checkpoint_every_n_hours': 10000, '_log_step_count_steps': 100, '_train_distribute': None, '_device_fn': None, '_protocol': None, '_eval_distribute': None, '_experimental_distribute': None, '_experimental_max_worker_delay_secs': None, '_session_creation_timeout_secs': 7200, '_checkpoint_save_graph_def': True, '_service': None, '_cluster_spec': ClusterSpec({}), '_task_type': 'worker', '_task_id': 0, '_global_id_in_cluster': 0, '_master': '', '_evaluation_master': '', '_is_chief': True, '_num_ps_replicas': 0, '_num_worker_replicas': 1} Giải thích
- Vấn đề mống mắt được coi là vấn đề phân loại.
- Tensorflow đi kèm với nhiều Công cụ ước tính trình phân loại được tạo sẵn, bao gồm -
- tf.estimator.DNNClassifier cho các mô hình sâu thực hiện phân loại nhiều lớp.
- tf.estimator.DNNLinearCombinedClassifier cho các mô hình rộng và sâu.
- tf.estimator.LinearClassifier dành cho các bộ phân loại dựa trên mô hình tuyến tính.
- Đối với vấn đề về mống mắt, chúng tôi sử dụng tf.estimator.