tensorflow教程在广度和深度上学习

< > >
>
在这篇文章中,我们将介绍如何使用TF学习API来训练宽线性模型和深前向神经网络。该方法结合了记忆和泛化的优点。它在一般的大规模回归和分类问题中是有效的,具有稀疏的输入特征,例如存在大量可能的分类特征。如果你是了解的广度和深度学习的工作感兴趣,请参阅“大标题=研究 <img &amp;深”src=“http:/ / www.tensorflow。org /图像/ wide_n_deep .svg”alt=“宽与深谱;模型:现在,我们看到的是一个简单的例子。
图为宽度模型(logistic回归模型,具有稀疏特征和变换性质)。比较了具有嵌入层和隐层的前馈神经网络模型。比较了广度和深度模型(它们之间的联合训练)的差异。在顶层,只需要三个步骤来配置模型的宽度、深度、广度和深度。

选择宽度部分的特征:选择稀疏的基本列和交叉列使用。
选取深度段的特征:选择连续列、每个列的嵌入维数和隐层的大小。

  • 放在一起,在深度和广度上模型(dnnlinearcombinedclassifier)。
    >
    >“安装”> 安装 > >
    如果您想在本教程中尝试代码,请参考:

  • 安装TensorFlow,请到这里。
    下载教程代码
    安装大熊猫数据分析库。因为你需要在本教程中使用熊猫数据。虽然tf.learn不需要大熊猫,它支持大熊猫。安装熊猫: >
    >
    答:获取PIP: >
    # Ubuntu / Linux的64位
    $ sudo apt-get安装Python PIP Python开发
    # Mac OS X
    $ sudo easy_install PIP
    $ sudo easy_install——升级六
    b.使用PIP安装大熊猫 >
    $ sudo pip安装熊猫

    如果你遇到问题,在安装过程中,请访问熊猫网站
    4。执行以下命令来训练教程中描述的线性模型:
    美元wide_n_deep_tutorial.py model_type = wide_n_deep Python——
    请继续阅读并理解这段代码是如何建立线性模型的。
    >强>定义基本特征列 > >
    首先定义我们使用的基本和连续特性的列。这些列将用作模型宽度和深度的组件块。
    进口tensorflow TF
    性别= tf.feature_column.categorical_column_with_vocabulary_list(
    “性别”、“女性”、“男性”)
    教育= tf.feature_column.categorical_column_with_vocabulary_list(
    “教育
    “学士”、“毕业生”、“第十一”、“硕士”、“第九”
    “大学”、“ASSOC ACDM”、“ASSOC VOC”、“7th-8th
    “博士”、“教授派”、“位”、“第十”、“1
    “学前班”,“第十二”
    ])
    marital_status = tf.feature_column.categorical_column_with_vocabulary_list(
    “marital_status
    “文明的配偶结婚”、“离婚”、“婚姻配偶缺席
    “从未结婚”、“分居”、“已婚配偶”、“丧偶”
    ])
    关系= tf.feature_column.categorical_column_with_vocabulary_list(
    ”的关系
    “丈夫”,“不在家”,“妻子”,“自己的孩子”,“未婚”
    “其他亲属”
    ])
    workclass = tf.feature_column.categorical_column_with_vocabulary_list(
    “workclass
    “自我欺骗不是公司”,“私人”,“州政府”,“联邦政府”
    “地方政府”,“?”“自我EMP公司”,“没有报酬”,“从来没有工作过”
    ])
    #显示哈希例:
    职业= tf.feature_column.categorical_column_with_hash_bucket(
    “职业”,hash_bucket_size = 1000)
    native_country = tf.feature_column.categorical_column_with_hash_bucket(
    "Native_country", hash_bucket_size=1000)
    # Gilead
    年龄tf.feature_column.numeric_column(“年龄”)
    education_num = tf.feature_column.numeric_column(“education_num”)
    capital_gain = tf.feature_column.numeric_column(“capital_gain”)
    capital_loss = tf.feature_column.numeric_column(“capital_loss”)
    hours_per_week = tf.feature_column.numeric_column(“hours_per_week”)
    #转换
    age_buckets = tf.feature_column.bucketized_column(
    年龄,边界= [ 18, 25, 30,35, 40, 45,50, 55, 60,65 ] ]
    “广度”模型

    资料全部来自网络,如果有问题可以发邮件到站长邮箱