สามารถใช้ Tensorflow เพื่อกำหนดคอลัมน์คุณลักษณะสำหรับโมเดลตัวประมาณโดยการสร้างรายการว่างและเข้าถึงค่า 'คีย์' ของชุดข้อมูลการฝึกอบรมและวนซ้ำ ในระหว่างการทำซ้ำ ชื่อคุณลักษณะจะถูกผนวกเข้ากับรายการที่ว่างเปล่า
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 สร้างขึ้นบน Jupyter Notebook
Estimator คือการแสดงโมเดลที่สมบูรณ์ของ TensorFlow ในระดับสูง ออกแบบมาเพื่อการปรับขนาดและการฝึกแบบอะซิงโครนัสที่ง่ายดาย
ตัวอย่าง
print("Building list of feature columns for estimator model")
my_feature_columns = []
for key in train.keys():
my_feature_columns.append(tf.feature_column.numeric_column(key=key)) เครดิตโค้ด −https://www.tensorflow.org/tutorials/estimator/premade#first_things_first
ผลลัพธ์
Building list of feature columns for estimator model
คำอธิบาย
-
คอลัมน์คุณลักษณะอธิบายวิธีที่โมเดลควรใช้ข้อมูลอินพุตดิบจากพจนานุกรมคุณลักษณะ เมื่อมีการสร้างแบบจำลองของ Estimator รายการของคอลัมน์คุณลักษณะจะถูกส่งต่อ
-
โดยจะอธิบายคุณลักษณะแต่ละอย่างที่โมเดลควรใช้
-
โมดูล tf.feature_column มีตัวเลือกมากมายในการแสดงข้อมูลไปยังโมเดล
-
เราสร้างรายการคอลัมน์คุณลักษณะเพื่อบอกให้โมเดล Estimator แสดงคุณลักษณะแต่ละอย่างจากสี่คุณลักษณะเป็นค่าทศนิยม 32 บิต
