TensorFlow v1.1 Release, was etwas ärgerlich war, da XLA nicht erwähnt wurde, aber gemäß der Roadmap Keras Es scheint, dass die Integration mit beginnt. Es ist immer noch wie RC, aber es ist eines der Highlights persönlich, und ich hatte Angst, es zu versuchen, also habe ich es versucht.
Ich habe den Keras-Code verwendet, den ich zuvor in dem Artikel mit dem Titel Verschiedene Kommentare zur High Level API von TensorFlow geschrieben habe.
import tensorflow as tf
from tensorflow.contrib.keras.python import keras
from sklearn import cross_validation
#Datenaufbereitung
iris = tf.contrib.learn.datasets.base.load_iris()
train_x, test_x, train_y, test_y = cross_validation.train_test_split(
iris.data, iris.target, test_size=0.2
)
num_classes = 3
train_y = keras.utils.to_categorical(train_y, num_classes)
test_y = keras.utils.to_categorical(test_y, num_classes)
#Modelldefinition
model = Sequential()
#Netzwerkdefinition
model.add(Dense(10, activation='relu', input_shape=(4,)))
model.add(Dense(20, activation='relu'))
model.add(Dense(10, activation='relu'))
model.add(Dense(3, activation='softmax'))
#Bestätigung der Modellzusammenfassung
model.summary()
#Modell kompilieren
model.compile(loss='categorical_crossentropy',
optimizer='sgd',
metrics=['accuracy'])
#Lernen
history = model.fit(train_x, train_y,
batch_size=100,
epochs=2000,
verbose=1,
validation_data=(test_x, test_y))
#Bewertung des Lernmodells
score = model.evaluate(x_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])
Ich habe es nur schnell versucht, deshalb möchte ich es noch einmal ausführlich besprechen.
Recommended Posts