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。