失眠网 > 【TF2基础教程1】结构化数据建模流程

【TF2基础教程1】结构化数据建模流程

时间：2020-10-06 04:00:34

相关推荐

【TF2基础教程1】结构化数据建模流程

note

文章目录

note一、数据处理1.1 tf.data1.2 tf.keras：1.3 tf.distribute：二、tf2结构化数据建模流程一，准备数据二，定义模型三，训练模型四，评估模型五，使用模型六，保存模型Reference

一、数据处理

使用TensorFlow实现神经网络模型的一般流程包括：

1，准备数据

2，定义模型

3，训练模型

4，评估模型

5，使用模型

6，保存模型。

1.1 tf.data

负责数据管理，支持多种数据来源：本地文件、分布式文件系统（数据集很大，HDFS, NFS）、对象存储系统（更大的数据集，S3, OBS, OSS等）；

支持多种数据格式：图像文件、文本文件、CSV文件，NumPy数组，Python生成器，TFRecord等；

支持多种数据处理：图像解码，Shuffle, py_function, 重采样

1.2 tf.keras：

相对于原生keras，有分布式和高性能的优势

在TensorFlow中也能写keras，构建和训练模型的高层次API

API完全兼容原生keras

支持保存和加载TensorFlow SavedModel

支持Eager Execution底层动态图引擎，动态debug，开发AI模型。比如pytorch有动态图的特性，tf.keras集成了这一点

1.3 tf.distribute：

很少代码实现分布式；

内置6种不同策略

二、tf2结构化数据建模流程

一，准备数据

titanic数据集的目标是根据乘客信息预测他们在Titanic号撞击冰山沉没后能否生存。

数据集下载：/competitions/titanic/data

结构化数据一般会使用Pandas中的DataFrame进行预处理。

import numpy as np import pandas as pd import matplotlib.pyplot as pltimport tensorflow as tf from tensorflow.keras import models,layersdftrain_raw = pd.read_csv('./data/titanic/train.csv')dftest_raw = pd.read_csv('./data/titanic/test.csv')dftrain_raw.head(10)

字段说明：

Survived:0代表死亡，1代表存活【y标签】Pclass:乘客所持票类，有三种值(1,2,3) 【转换成onehot编码】Name:乘客姓名【舍去】Sex:乘客性别【转换成bool特征】Age:乘客年龄(有缺失) 【数值特征，添加“年龄是否缺失”作为辅助特征】SibSp:乘客兄弟姐妹/配偶的个数(整数值) 【数值特征】Parch:乘客父母/孩子的个数(整数值)【数值特征】Ticket:票号(字符串)【舍去】Fare:乘客所持票的价格(浮点数，0-500不等) 【数值特征】Cabin:乘客所在船舱(有缺失) 【添加“所在船舱是否缺失”作为辅助特征】Embarked:乘客登船港口:S、C、Q(有缺失)【转换成onehot编码，四维度 S,C,Q,nan】

利用Pandas的数据可视化功能我们可以简单地进行探索性数据分析EDA（Exploratory Data Analysis）。

label分布情况

%matplotlib inline%config InlineBackend.figure_format = 'png'ax = dftrain_raw['Survived'].value_counts().plot(kind = 'bar',figsize = (12,8),fontsize=15,rot = 0)ax.set_ylabel('Counts',fontsize = 15)ax.set_xlabel('Survived',fontsize = 15)plt.show()

年龄分布情况

%matplotlib inline%config InlineBackend.figure_format = 'png'ax = dftrain_raw['Age'].plot(kind = 'hist',bins = 20,color= 'purple',figsize = (12,8),fontsize=15)ax.set_ylabel('Frequency',fontsize = 15)ax.set_xlabel('Age',fontsize = 15)plt.show()

年龄和label的相关性

%matplotlib inline%config InlineBackend.figure_format = 'png'ax = dftrain_raw.query('Survived == 0')['Age'].plot(kind = 'density',figsize = (12,8),fontsize=15)dftrain_raw.query('Survived == 1')['Age'].plot(kind = 'density',figsize = (12,8),fontsize=15)ax.legend(['Survived==0','Survived==1'],fontsize = 12)ax.set_ylabel('Density',fontsize = 15)ax.set_xlabel('Age',fontsize = 15)plt.show()

下面为正式的数据预处理

def preprocessing(dfdata):dfresult= pd.DataFrame()#PclassdfPclass = pd.get_dummies(dfdata['Pclass'])dfPclass.columns = ['Pclass_' +str(x) for x in dfPclass.columns ]dfresult = pd.concat([dfresult,dfPclass],axis = 1)#SexdfSex = pd.get_dummies(dfdata['Sex'])dfresult = pd.concat([dfresult,dfSex],axis = 1)#Agedfresult['Age'] = dfdata['Age'].fillna(0)dfresult['Age_null'] = pd.isna(dfdata['Age']).astype('int32')#SibSp,Parch,Faredfresult['SibSp'] = dfdata['SibSp']dfresult['Parch'] = dfdata['Parch']dfresult['Fare'] = dfdata['Fare']#Carbindfresult['Cabin_null'] = pd.isna(dfdata['Cabin']).astype('int32')#EmbarkeddfEmbarked = pd.get_dummies(dfdata['Embarked'],dummy_na=True)dfEmbarked.columns = ['Embarked_' + str(x) for x in dfEmbarked.columns]dfresult = pd.concat([dfresult,dfEmbarked],axis = 1)return(dfresult)x_train = preprocessing(dftrain_raw)y_train = dftrain_raw['Survived'].valuesx_test = preprocessing(dftest_raw)y_test = dftest_raw['Survived'].valuesprint("x_train.shape =", x_train.shape )print("x_test.shape =", x_test.shape )

x_train.shape = (712, 15)x_test.shape = (179, 15)

这时候我们看处理好的x_train数据，已经将字符编码好了：

二，定义模型

使用Keras接口有以下3种方式构建模型：使用Sequential按层顺序构建模型，使用函数式API构建任意结构模型，继承Model基类构建自定义模型。

此处选择使用最简单的Sequential，按层顺序模型。

tf.keras.backend.clear_session()model = models.Sequential()model.add(layers.Dense(20,activation = 'relu',input_shape=(15,)))model.add(layers.Dense(10,activation = 'relu' ))model.add(layers.Dense(1,activation = 'sigmoid' ))model.summary()

Model: "sequential"_________________________________________________________________Layer (type) Output Shape Param # =================================================================dense (Dense)(None, 20)320 _________________________________________________________________dense_1 (Dense) (None, 10)210 _________________________________________________________________dense_2 (Dense) (None, 1) 11 =================================================================Total params: 541Trainable params: 541Non-trainable params: 0_________________________________________________________________

三，训练模型

训练模型通常有3种方法，内置fit方法，内置train_on_batch方法，以及自定义训练循环。此处我们选择最常用也最简单的内置fit方法。

# 二分类问题选择二元交叉熵损失函数pile(optimizer='adam',loss='binary_crossentropy',metrics=['AUC'])history = model.fit(x_train,y_train,batch_size= 64,epochs= 30,validation_split=0.2 #分割一部分训练数据用于验证)

Train on 569 samples, validate on 143 samplesEpoch 1/30569/569 [==============================] - 1s 2ms/sample - loss: 3.5841 - AUC: 0.4079 - val_loss: 3.4429 - val_AUC: 0.4129...Epoch 30/30569/569 [==============================] - 0s 80us/sample - loss: 0.5071 - AUC: 0.8349 - val_loss: 0.5816 - val_AUC: 0.7605

四，评估模型

我们首先评估一下模型在训练集和验证集上的效果。

%matplotlib inline%config InlineBackend.figure_format = 'svg'import matplotlib.pyplot as pltdef plot_metric(history, metric):train_metrics = history.history[metric]val_metrics = history.history['val_'+metric]epochs = range(1, len(train_metrics) + 1)plt.plot(epochs, train_metrics, 'bo--')plt.plot(epochs, val_metrics, 'ro-')plt.title('Training and validation '+ metric)plt.xlabel("Epochs")plt.ylabel(metric)plt.legend(["train_"+metric, 'val_'+metric])plt.show()

plot_metric(history,"loss")

plot_metric(history,"AUC")

我们再看一下模型在测试集上的效果.

model.evaluate(x = x_test,y = y_test)

[0.5191367897907448, 0.8122605]

五，使用模型

#预测概率model.predict(x_test[0:10])#model(tf.constant(x_test[0:10].values,dtype = tf.float32)) #等价写法

array([[0.26501188],[0.40970832],[0.44285864],[0.78408605],[0.47650957],[0.43849158],[0.27426785],[0.5962582 ],[0.59476686],[0.17882936]], dtype=float32)

#预测类别# 这种写法已经在2.5中弃用# model.predict_classes(x_test[0:10])# 推荐使用这种写法(model.predict(x_test[0: 10]) > 0.5).astype("int32")

六，保存模型

可以使用Keras方式保存模型，也可以使用TensorFlow原生方式保存。前者仅仅适合使用Python环境恢复模型，后者则可以跨平台进行模型部署。

推荐使用后一种方式进行保存。

1，Keras方式保存

# 保存模型结构及权重model.save('./data/keras_model.h5') del model #删除现有模型# identical to the previous onemodel = models.load_model('./data/keras_model.h5')model.evaluate(x_test,y_test)

[0.5191367897907448, 0.8122605]

# 保存模型结构json_str = model.to_json()# 恢复模型结构model_json = models.model_from_json(json_str)

#保存模型权重model.save_weights('./data/keras_model_weight.h5')# 恢复模型结构model_json = models.model_from_json(json_str)pile(optimizer='adam',loss='binary_crossentropy',metrics=['AUC'])# 加载权重model_json.load_weights('./data/keras_model_weight.h5')model_json.evaluate(x_test,y_test)

[0.5191367897907448, 0.8122605]

2，TensorFlow原生方式保存

# 保存权重，该方式仅仅保存权重张量model.save_weights('./data/tf_model_weights.ckpt',save_format = "tf")

# 保存模型结构与模型参数到文件,该方式保存的模型具有跨平台性便于部署model.save('./data/tf_model_savedmodel', save_format="tf")print('export saved model.')model_loaded = tf.keras.models.load_model('./data/tf_model_savedmodel')model_loaded.evaluate(x_test,y_test)

[0.5191365896656527, 0.8122605]