如何将 Tensorflow 与 Estimator 结合使用，根据训练好的模型进行预测?
tensorflowpythonserver side programmingprogramming
Tensorflow 可以与 Estimator 结合使用，使用‘分类器’中的‘预测’方法预测新数据的输出方法。
阅读更多: 什么是 TensorFlow，以及 Keras 如何与 TensorFlow 配合使用来创建神经网络?
我们将使用 Keras Sequential API，它有助于构建用于处理普通层堆栈的顺序模型，其中每个层都有一个输入张量和一个输出张量。
包含至少一个层的神经网络称为卷积层。我们可以使用卷积神经网络构建学习模型。
TensorFlow Text 包含可与 TensorFlow 2.0 一起使用的文本相关类和操作的集合。TensorFlow Text 可用于预处理序列建模。
我们正在使用 Google Colaboratory 运行以下代码。 Google Colab 或 Colaboratory 可帮助在浏览器上运行 Python 代码，无需配置，可免费访问 GPU(图形处理单元)。Colaboratory 建立在 Jupyter Notebook 之上。
Estimator 是 TensorFlow 对完整模型的高级表示。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。
- 萼片长度
- 萼片宽度
- 花瓣长度
- 花瓣宽度
示例
print(“从模型生成预测”)
expected = ['Setosa', 'Versicolor', 'Virginica']
predict_x = {
'SepalLength': [5.1, 5.9, 6.9],
'SepalWidth': [3.3, 3.0, 3.1],
'PetalLength': [1.7, 4.2, 5.4],
'PetalWidth': [0.5, 1.5, 2.1],
}
print(“定义预测的输入函数”)
print(“它将输入转换为没有标签的数据集”)
def input_fn(features, batch_size=256):
return tf.data.Dataset.from_tensor_slices(dict(features)).batch(batch_size)
predictions = classifier.predict(
input_fn=lambda: input_fn(predict_x))
代码来源 −https://www.tensorflow.org/tutorials/estimator/premade#first_things_first
输出
从模型生成预测 定义预测的输入函数 它将输入转换为没有标签的数据集
解释
- 经过训练的模型会产生良好的结果。
- 这可用于根据某些未标记的测量值预测鸢尾花的种类。
- 使用单个函数调用进行预测。
