First Steps with TensorFlow

最新推荐文章于 2019-04-09 21:39:43 发布

原创最新推荐文章于 2019-04-09 21:39:43 发布 · 317 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #机器学习

机器学习专栏收录该内容

19 篇文章

订阅专栏

本文介绍了TensorFlow的基础结构及Estimator API的使用方法。Estimator API与scikit-learn兼容，简化了机器学习模型的训练和预测过程。通过一个线性回归的例子展示了如何创建模型、训练数据以及进行预测。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.First Steps with TensorFlow: Toolkit

下图是TensorFlow工具包的结构层次图：

下表总结了不同层的用途：

工具包	说明
Estimator (tf.estimator)	高级 OOP API。
tf.layers/tf.losses/tf.metrics	用于常见模型组件的库。
TensorFlow	低级 API

TensorFlow 由以下两个组件组成：

图协议缓冲区（graph protocol buffer）
执行（分布式）图的运行时（a runtime that executes the (distributed) graph）

这两个组件类似于 Java 编译器和 JVM。正如 JVM 会实施在多个硬件平台（CPU 和 GPU）上一样，TensorFlow 也是如此。

较高级别的API更易于使用，但（设计方面）不够灵活。

（1）tf.estimator API-最高层

tf.estimator 与 scikit-learn API 兼容。scikit-learn是极其热门的 Python 开放源代码机器学习库。

以下是在 tf.estimator 中实现的线性回归程序的格式：

import tensorflow as tf

# Set up a linear classifier.
classifier = tf.estimator.LinearClassifier()

# Train the model on some example data.
classifier.train(input_fn=train_input_fn, steps=2000)

# Use it to predict.
predictions = classifier.predict(input_fn=predict_input_fn)

Key Terms

Estimators 估计量	graph图
tensor 张量