机器学习笔记5-Tensorflow高级API之tf.estimator
前言
本文接着上一篇继续来聊Tensorflow的接口，上一篇中用较低层的接口实现了线性模型，本篇中将用更高级的API——tf.estimator来改写线性模型。
还记得之前的文章《机器学习笔记2 - sklearn之iris数据集》吗？本文也将使用tf.estimator改造该示例。
本文代码都是基于API版本r1.4。本文中本地开发环境为Pycharm，在文中不再赘述。
tf.estimator
内置模型
比起用底层API“较硬”的编码方式，tf.estimator的在使用时更像是对模型描述（或定义）的过程。Tensorflow把训练、评估、数据处理等这些过程全部封装起来，让开发人员更专注于解决实际问题的建模过程，而不是纠结于代码实现过程。如果用tf.estimator改造上一篇中的线性模型的话，完整代码如下：
本例中使用的库numpy是一个开源工具，是一个功能非常强大且执行效率很高的库，主要用作数值处理及矩阵操作等。
import numpy as np
import tensorflow as tf
# 定义特性列，线性模型中特性是列是x，shape=[1]，因此定义如下：
feature_columns = [tf.feature_column.numeric_column("x", shape=[1])]
# 使用tf.estimator内置的LinearRegressor来完成线性回归算法
# tf.estimator提供了很多常规的算法模型以便用户调用，不需要用户自己重复造轮子
# 到底为止，短短两行代码我们的建模工作就已经完成了
estimator = tf.estimator.LinearRegressor(feature_columns=feature_columns)
# 有了模型之后，我们要使用模型完成训练->评估->预测这几个步骤
# 训练数据依旧是(1.,0.)，(2.,-1.)，(3.,-2.)，(4.,-3.)这几个点，拆成x和y两个维度的数组
x_train = np.array([1., 2., 3., 4.])
y_train = np.array([0., -1., -2., -3.])
# 评估数据为(2.,-1.01)，(5.,-4.1)，(8.,-7.)，(1.,0.)这四个点，同样拆分成x和y两个维度的数组
x_eval = np.array([2., 5., 8., 1.])
y_eval = np.array([-1.01, -4.1, -7., 0.])
# 用tf.estimator.numpy_input_fn方法生成随机打乱的数据组，每组包含4个数据
input_fn = tf.estimator.inputs.numpy_input_fn({"x": x_train}, y_train, batch_size=4, num_epochs=None, shuffle=True)
# 循环1000次训练模型
estimator.train(input_fn=input_fn, steps=1000)
# 生成训练数据，分成1000组，每组4个数据
train_input_fn = tf.estimator.inputs.numpy_input_fn({"x": x_train}, y_train, batch_size=4, num_epochs=1000, shuffle=False)
# 生成评估数据，分成1000组，每组4个数据
eval_input_fn = tf.estimator.inputs.numpy_input_fn({"x": x_eval}, y_eval, batch_size=4, num_epochs=1000, shuffle=False)
# 训练数据在模型上的预测准确率
train_metrics = estimator.evaluate(input_fn=train_input_fn)
# 评估数据在模型上的预测准确率
eval_metrics = estimator.evaluate(input_fn=eval_input_fn)
print("train metrics: %r"% train_metrics)
print("eval metrics: %r"% eval_metrics)
输出结果如下：
train metrics: {'average_loss': 4.4709815e-08, 'loss': 1.7883926e-07, 'global_step': 1000}
eval metrics: {'average_loss': 0.0025470245, 'loss': 0.010188098, 'global_step': 1000}
自定义模型
虽然tf.estimator内置了大量的常用模型，但也并不代表我们必须使用内置模型。如有需要，我们可以用底层API实现自定义模型，同时，继续使用tf.estimator提供的高级特性。如上例中，我们需要定义自己的线性回归模型，仅需要按如下步骤操作：
替换estimator
# 下面这行替换了原先的estimator = tf.estimator.LinearRegressor(feature_columns=feature_columns)
estimator = tf.estimator.Estimator(model_fn=model_fn)
定义并实现model_fn方法
...
def model_fn(features, labels, mode):
# 用底层API构建线性模型
W = tf.get_variable("W", [1], dtype=tf.float64)
b = tf.get_variable("b", [1], dtype=tf.float64)
y = W * features['x'] + b
loss = tf.reduce_sum(tf.square(y - labels))
# 获取训练全局参数step
global_step = tf.train.get_global_step()
# 梯度下降算法，学习率是0.01
optimizer = tf.train.GradientDescentOptimizer(0.01)
# 将优化器和全局step的累加方法打包成一个方法组，相当于把若干个方法打包成事务执行的模式
train = tf.group(optimizer.minimize(loss), tf.assign_add(global_step, 1))
# 将所有内容封装成符合tf.estimator.Estimator规范的对象
return tf.estimator.EstimatorSpec(
mode=mode,
predictions=y,
loss=loss,
train_op=train)
...
生成并启动TensorBoard
在tf.estimator中，生成TensorBoard的方法也被集成在了底层，我们要做的，仅仅是传入参数model_dir而已：
在LinearRegressor例中代码如下：
...
estimator = tf.estimator.LinearRegressor(feature_columns=feature_columns, model_dir='d1')
...
...
estimator = tf.estimator.Estimator(model_fn=model_fn, model_dir='d2')
...
TensorBoard的启动和上一篇文章中一样，在Pycharm的控制台中执行：
# 以LinearRegressor的代码为例
tensorboard --logdir=d1
启动TensorBoard大致效果如下：
IRIS数据集
现在我们来改造之前用sklearn实现的IRIS数据集。之前用了决策树和邻近算法两种算法来实现，这次用的是Tensorflow提供的深度学习模型DNNClassifier，完整代码如下（代码是官网提供的Demo代码，仅仅将DNNClassifier中参数model_dir改为了当前目录下iris_model目录）：
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function
import os
from six.moves.urllib.request import urlopen
import numpy as np
import tensorflow as tf
# 数据集
IRIS_TRAINING = "iris_training.csv"
IRIS_TRAINING_URL = "http://download.tensorflow.org/data/iris_training.csv"
IRIS_TEST = "iris_test.csv"
IRIS_TEST_URL = "http://download.tensorflow.org/data/iris_test.csv"
def main():
# 先将数据集保存到本地
if not os.path.exists(IRIS_TRAINING):
raw = urlopen(IRIS_TRAINING_URL).read()
with open(IRIS_TRAINING, "wb") as f:
f.write(raw)
if not os.path.exists(IRIS_TEST):
raw = urlopen(IRIS_TEST_URL).read()
with open(IRIS_TEST, "wb") as f:
f.write(raw)
# 读取数据集
training_set = tf.contrib.learn.datasets.base.load_csv_with_header(
filename=IRIS_TRAINING,
target_dtype=np.int,
features_dtype=np.float32)
test_set = tf.contrib.learn.datasets.base.load_csv_with_header(
filename=IRIS_TEST,
target_dtype=np.int,
features_dtype=np.float32)
feature_columns = [tf.feature_column.numeric_column("x", shape=[4])]
# 创建一个三层的DNN深度学习分类器，三层分别有10、20、10个神经元
classifier = tf.estimator.DNNClassifier(feature_columns=feature_columns,
hidden_units=[10, 20, 10],
n_classes=3,
model_dir="iris_model")
# 定义训练用的数据集输入
train_input_fn = tf.estimator.inputs.numpy_input_fn(
x={"x": np.array(training_set.data)},
y=np.array(training_set.target),
num_epochs=None,
shuffle=True)
# 训练模型
classifier.train(input_fn=train_input_fn, steps=2000)
# 定义测试用的数据集输入
test_input_fn = tf.estimator.inputs.numpy_input_fn(
x={"x": np.array(test_set.data)},
y=np.array(test_set.target),
num_epochs=1,
shuffle=False)
# 评估准确率
accuracy_score = classifier.evaluate(input_fn=test_input_fn)["accuracy"]
print("\nTest Accuracy: {0:f}\n".format(accuracy_score))
# 预测两个新样本
new_samples = np.array(
[[6.4, 3.2, 4.5, 1.5],
[5.8, 3.1, 5.0, 1.7]], dtype=np.float32)
predict_input_fn = tf.estimator.inputs.numpy_input_fn(
x={"x": new_samples},
num_epochs=1,
shuffle=False)
predictions = list(classifier.predict(input_fn=predict_input_fn))
predicted_classes = [p["classes"] for p in predictions]
print(
"New Samples, Class Predictions: {}\n"
.format(predicted_classes))
if __name__ == "__main__":
main()
运行结果：
Test Accuracy: 0.966667
New Samples, Class Predictions: [array([b'1'], dtype=object), array([b'2'], dtype=object)]
Process finished with exit code 0
可以看到，用tf.estimator提供的DNNClassifier，仅需要如下代码即可实现一个三层的DNN，并将模型保存在本地的iris_model文件夹下：
classifier = tf.estimator.DNNClassifier(feature_columns=feature_columns,
hidden_units=[10, 20, 10],
n_classes=3,
model_dir="iris_model")
启动TensorBoard，看到的效果如下：
Run on ML Engine of Google Cloud Platform
前面几篇文章中，我在本地运行代码的之后，同时在阿里云PAI上执行了一次代码。本来我也是想在PAI上再进行本文中的示例代码的，不过我花了一天多的时间，最后还是失败了，主要原因如下：
-
PAI目前只支持到Tensorflow 1.2，而官方目前已经出到Tensorflow 1.4（马上要出1.5了），而Tensorflow 1.2是不支持tf.estimator.DNNClassifier的（代码中需要用到） -
PAI虽然是可视化拖拽，但是代码还是需要按照PAI的要求进行少量改造，不便于本地代码直接放到云端执行 -
PAI的相关文档太少，遇到问题很难解决，就算提交工单技术支持也比较敷衍，这让我这样的初学者感到非常大的挫折感
说来也可笑，我的代码无论如何调整在PAI中运行都会报错，在PAI官方的技术QQ群里寻求帮助，半天没人搭理，然后有一个群友说PAI确实不好用，建议我用Google Cloud Platform。备受挫折的我就注册了一个Google Cloud Platform，果然，即便是全英文的文档，也让我在不到2小时的时间里，从注册账号到执行代码成功。这真不是我崇洋媚外或者故意黑阿里，我仅仅叙述了我自己的亲身经历而已。相比PAI，Google Cloud Platform的ML Engine就是一个虚拟云主机（Linux），可以直接用Google的Web版远程控制台进行操作，就跟操作一台真实的Linux一样的体验。因此本地代码也可以直接拷贝过去就能执行，不需要任何修改。运行速度上，我觉得比PAI快很多（没有数据，只是感觉）。
使用Google Cloud Platform的ML Engine，需要一些前提条件：
-
收费，需要绑定信用卡（VISA或MASTER），不过注册账号是送300美金体验1年（也就是一年内不超过300美金的消费是免费的），官方承诺，免费体验额度用完，如果要产生后续扣信用卡费用的行为，需要用户确认之后才会继续扣款
-
较好的英文阅读能力（能基本看懂英文技术、帮助文档）
-
FQ（你懂的）
-
会操作Linux系统
以下就是我在Google Cloud Platform的ML Engine的Web控制台中操作的动图（注册过程略）：
注意：
-
我事先做过了实验，所以代码已经放在文件
~/cloudml-samples-master/mymltest/tensorflowdemo3/code.py中，动图中仅仅是复制了一份代码到新的执行目录下。 -
Google Cloud Platform的帮助文档我放在了最后的参考文档中。
参考文档
官方文档：
https://www.tensorflow.org/get_started/get_started
https://www.tensorflow.org/get_started/estimator
ML Engine帮助文档：
https://cloud.google.com/ml-engine/docs/getting-started-training-prediction
