2

在 60,000（训练）和 26,000（测试）上使用以下 TF .9.0rc0 和 145 个编码列 (1,0) 来预测 1 或 0 以进行类识别。

classifier_TensorFlow = learn.TensorFlowDNNClassifier(hidden_units=[10, 20, 10],n_classes=2, steps=100)
classifier_TensorFlow.fit(X_train, y_train.ravel())

我得到：

WARNING:tensorflow:TensorFlowDNNClassifier class is deprecated. Please consider using DNNClassifier as an alternative.
Out[34]:TensorFlowDNNClassifier(steps=100, batch_size=32)

然后很快就得到了很好的结果：

score = metrics.accuracy_score(y_test,   classifier_TensorFlow.predict(X_test))
print('Accuracy: {0:f}'.format(score))
Accuracy: 0.923121

和：

print (metrics.confusion_matrix(y_test, X_pred_class))
[[23996   103]
[ 1992    15]]

但是当我尝试使用新的建议方法时：

classifier_TensorFlow = learn.DNNClassifier(hidden_units=[10, 20, 10],n_classes=2)

它挂起没有完成？它不会采用“步骤”参数吗？我没有收到任何错误消息或输出，所以没有太多可继续的...有什么想法或提示吗？文档有点“轻？”

4

2 回答 2

3

我不认为这是一个错误，从 DNNClassifier 的源代码中，我可以看出它的用法与 TensorFlowDNNClassifier 不同。DNNClassifier 的构造函数没有 steps 参数：

def __init__(self,
           hidden_units,
           feature_columns=None,
           model_dir=None,
           n_classes=2,
           weight_column_name=None,
           optimizer=None,
           activation_fn=nn.relu,
           dropout=None,
           config=None)

正如你在这里看到的。取而代之的是，DNNClassifier 从BaseEstimator继承的 fit() 方法现在具有 steps 参数，请注意，batch_size 也会发生同样的情况：

  def fit(self, x=None, y=None, input_fn=None, steps=None, batch_size=None,
          monitors=None):

对于“它没有完成就挂起？”，在 BaseEstimator 的 fit() 方法的文档中解释说，如果 steps 是None（作为默认值），模型将永远训练。

我仍然不明白为什么我想永远训练一个模型。我的猜测是，如果我们想提前停止验证数据，创建者认为这种方式对分类器更好，但正如我所说的只是我的猜测。

正如您所看到的，DNNClassifier 没有提供任何反馈作为已弃用的 TensorFlowDNNClassifier，假设可以使用 DNNClassifier 的构造函数中存在的“config”参数设置反馈。所以你应该传递一个 RunConfig 对象作为配置，并且在这个对象的参数中你应该设置详细参数，不幸的是我试图设置它以便我可以看到丢失的进度，但没有那么幸运。

我建议您在这里查看袁唐在他的博客中的最​​新帖子，他是 skflow 的创建者之一，又名 tf learn。

于 2016-06-13T15:05:52.233 回答
0

我刚刚遇到了类似的问题@Ismael 答案是正确的。我只是想添加到现在分类器.fit() 具有该参数行为不同的 steps 参数的信息。它不会提前中止。还有另一个参数称为 max_steps。这表现为 TensorFlowDNNClassifier 的原始步骤参数。

简而言之，只需在 fit() 上使用max_steps参数，如下所示：

classifier = skflow.DNNClassifier(...)
classifier.fit(X_train, y_train, max_steps=3000)
于 2016-10-23T21:49:51.533 回答