TensorFlow 的简化接口:Scikit Flow

cncde 6年前

Scikit Flow 是 TensorFlow 的简化接口,模仿 Scikit 学习,让用户可以在预测分析和数据挖掘中使用。

为什么使用 TensorFlow?

  • TensorFlow 提供构建各种不同类型机器学习应用的核心

  • 会继续在分布式方向和常规管道机器中进行创新

为什么使用 Scikit Flow?

  • 可以平滑的从单向机器学习 Scikit Learn 过渡到更开放的,可以构建不同类型的 ML 模型。用户可以通过 fit/predict 和切换到 TensorFlow APIs。

  • 提供一系列的参考模型,方便与现有的代码集成。

Linear Classifier

import skflow  from sklearn import datasets, metrics  iris = datasets.load_iris()  classifier = skflow.TensorFlowLinearClassifier(n_classes=3)  classifier.fit(iris.data, iris.target)  score = metrics.accuracy_score(classifier.predict(iris.data), iris.target)  print("Accuracy: %f" % score)

Linear Regressor

import skflow  from sklearn import datasets, metrics, preprocessing    boston = datasets.load_boston()  X = preprocessing.StandardScaler().fit_transform(boston.data)  regressor = skflow.TensorFlowLinearRegressor()  regressor.fit(X, boston.target)  score = metrics.mean_squared_error(regressor.predict(X), boston.target)  print ("MSE: %f" % score)

Deep Neural Network

import skflow  from sklearn import datasets, metrics    iris = datasets.load_iris()  classifier = skflow.TensorFlowDNNClassifier(hidden_units=[10, 20, 10], n_classes=3)  classifier.fit(iris.data, iris.target)  score = metrics.accuracy_score(classifier.predict(iris.data), iris.target)  print("Accuracy: %f" % score)

Custom model

import skflow  from sklearn import datasets, metrics    iris = datasets.load_iris()    def my_model(X, y):      """This is DNN with 10, 20, 10 hidden layers, and dropout of 0.5 probability."""      layers = skflow.ops.dnn(X, [10, 20, 10], keep_prob=0.5)      return skflow.models.logistic_regression(layers, y)    classifier = skflow.TensorFlowEstimator(model_fn=my_model, n_classes=3)  classifier.fit(iris.data, iris.target)  score = metrics.accuracy_score(classifier.predict(iris.data), iris.target)  print("Accuracy: %f" % score)

未来计划

  • 更好的处理类别变量

  • 文本分类

  • 图像 (CNNs)

  • 更多 & 更深

项目主页:http://www.open-open.com/lib/view/home/1449016972186