สามารถใช้ Tensorflow กับตัวประมาณเพื่อทำนายผลลัพธ์ของข้อมูลใหม่โดยใช้วิธี 'ทำนาย' ซึ่งมีอยู่ในวิธี 'ตัวแยกประเภท'
อ่านเพิ่มเติม: TensorFlow คืออะไรและ Keras ทำงานร่วมกับ TensorFlow เพื่อสร้าง Neural Networks อย่างไร
เราจะใช้ Keras Sequential API ซึ่งมีประโยชน์ในการสร้างแบบจำลองตามลำดับที่ใช้ในการทำงานกับสแต็กเลเยอร์ธรรมดา โดยที่ทุกเลเยอร์มีอินพุตเทนเซอร์หนึ่งตัวและเอาต์พุตเทนเซอร์หนึ่งรายการ
โครงข่ายประสาทเทียมที่มีอย่างน้อยหนึ่งชั้นเรียกว่าชั้น Convolutional เราสามารถใช้ Convolutional Neural Network เพื่อสร้างแบบจำลองการเรียนรู้
TensorFlow Text มีคอลเลกชั่นของคลาสที่เกี่ยวข้องกับข้อความและ ops ที่สามารถใช้ได้กับ TensorFlow 2.0 สามารถใช้ข้อความ TensorFlow เพื่อประมวลผลการสร้างแบบจำลองลำดับล่วงหน้าได้
เรากำลังใช้ Google Colaboratory เพื่อเรียกใช้โค้ดด้านล่าง Google Colab หรือ Colaboratory ช่วยเรียกใช้โค้ด Python บนเบราว์เซอร์และไม่ต้องมีการกำหนดค่าใดๆ และเข้าถึง GPU ได้ฟรี (หน่วยประมวลผลกราฟิก) Colaboratory ถูกสร้างขึ้นบน Jupyter Notebook
Estimator คือการแสดงโมเดลที่สมบูรณ์ของ TensorFlow ในระดับสูง ออกแบบมาเพื่อการปรับขนาดและการฝึกแบบอะซิงโครนัสที่ง่ายดาย
โมเดลนี้ได้รับการฝึกฝนโดยใช้ชุดข้อมูลไอริส มี 4 คุณสมบัติและหนึ่งป้ายกำกับ
- ความยาวของกลีบเลี้ยง
- ความกว้างของกลีบเลี้ยง
- ความยาวของกลีบดอก
- ความกว้างของกลีบดอก
ตัวอย่าง
print(“Generating predictions from model”)
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(“Defining input function for prediction”)
print(“It converts inputs to dataset without labels”)
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)) เครดิตโค้ด −https://www.tensorflow.org/tutorials/estimator/premade#first_things_first
ผลลัพธ์
Generating predictions from model Defining input function for prediction It converts inputs to dataset without labels
คำอธิบาย
- ตัวแบบที่ฝึกแล้วจะให้ผลลัพธ์ที่ดี
- สามารถใช้ทำนายสายพันธุ์ของดอกไอริสได้ โดยอิงจากการวัดที่ไม่ได้ติดป้ายกำกับ
- การคาดคะเนทำได้โดยใช้การเรียกใช้ฟังก์ชันเพียงครั้งเดียว
