TensorFlow v1.1 Release, ce qui était un peu ennuyeux car il n'y avait aucune mention de XLA, mais selon la feuille de route, Keras Il semble que l'intégration avec commence. C'est toujours comme RC, mais c'est l'un des points forts personnellement, et j'avais peur de l'essayer, alors je l'ai essayé.
J'ai utilisé le code Keras que j'ai écrit plus tôt dans l'article intitulé Commentaires divers sur l'API de haut niveau de TensorFlow.
import tensorflow as tf
from tensorflow.contrib.keras.python import keras
from sklearn import cross_validation
#Préparation des données
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)
#Définition du modèle
model = Sequential()
#Définition du réseau
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'))
#Confirmation du résumé du modèle
model.summary()
#Compiler le modèle
model.compile(loss='categorical_crossentropy',
optimizer='sgd',
metrics=['accuracy'])
#Apprentissage
history = model.fit(train_x, train_y,
batch_size=100,
epochs=2000,
verbose=1,
validation_data=(test_x, test_y))
#Évaluation du modèle d'apprentissage
score = model.evaluate(x_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])
――Comme vous l'avez entendu, vous pouvez accéder au module Keras en important simplement tensorflow.contrib.keras.python dans ʻimport.
«En combinant avec Estimator, je pouvais voir un avenir vague où la division du travail entre les data scientists et les ingénieurs progresserait.
«J'ai le sentiment que« CloudML Engine »sera plus facile à utiliser.
Je ne l'ai essayé que rapidement, alors j'aimerais en discuter à nouveau en détail.
Recommended Posts