如何使用Estimator将Tensorflow与Python一起编译模型？

通过‘train’方法，可以使用Estimator将Tensorflow与模型编译起来。

更多Python相关文章，请阅读：Python 教程

我们将使用Keras Sequential API，它有助于构建顺序模型，用于处理纯层栈，其中每个层具有一个输入张量和一个输出张量。

至少包含一层的神经网络称为卷积层。我们可以使用卷积神经网络来构建学习模型。

TensorFlow Text包含一组与TensorFlow 2.0一起使用的文本相关类和操作。 TensorFlow Text可用于预处理序列建模。

我们使用Google Colaboratory来运行以下代码。 Google Colab或Colaboratory可在浏览器上运行Python代码，无需任何配置，可以免费访问GPU（图形处理单元）。 Colaboratory是在Jupyter Notebook上构建的。

Estimator是TensorFlow的完整模型的高级表示形式。它旨在轻松扩展和异步训练。

该模型使用鸢尾花数据集进行训练。有4个特征和一个标签。

• 花萼长度
• 花萼宽度
• 花瓣长度
• 花瓣宽度

示例

print("正在训练模型")
classifier.train(input_fn=lambda: input_fn(train, train_y, training=True), steps=5000)

代码来源 − https://www.tensorflow.org/tutorials/estimator/premade#first_things_first

解释

• 创建一个Estimator对象后，可以调用以下方法 –
• 对模型进行训练。
• 评估训练好的模型。
• 使用该模型进行预测。
• 对模型再次进行训练。
• 通过调用Estimator的训练方法来完成。