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。

相关文章