本文是【统计师的Python日记】第13天的日记

回顾一下：

• 第1天学习了Python的基本页面、操作，以及几种主要的容器类型。
• 第2天学习了python的函数、循环和条件、类。
• 第3天了解了Numpy这个工具库。
• 第4、5两天掌握了Pandas这个库的基本用法。
• 第6天学习了数据的合并堆叠。
• 第7天开始学习数据清洗，着手学会了重复值删除、异常值处理、替换、创建哑变量等技能。
• 第8天接着学习数据清洗，一些常见的数据处理技巧，如分列、去除空白等被我一一攻破。
• 第9天学习了正则表达式处理文本数据。
• 第10天学习了数据的聚合操作、数据透视表pivot_table()方法、交叉表crosstab。
• 第11天学习了class类的概念以及如何写一个类。链接：Class 类—Python老司机的必修课
• 第12天学习了机器学习库 sklearn，并用这个工具完整建了一个模型。链接：一把 sklearn 走天下 | 统计师的Python日记 第12天

（历史文章因为之前在其他平台上发表，所以头条这里发布有些问题，后续会在搬过来）

今天将带来第13天的学习日记，开始学习 TensorFlow，介绍的版本是1.X。本文先认识一下 TensorFlow 的建模流程，学习搭建一个 logistic 回归，再用 TensorFlow 跑一个深度神经网络。

目录如下：

前言

一、Windows 下 Tensorflow 快速安装

二、初识 Tensorflow

三、学习：Tensorflow 搭建 logistic 回归

四、练习：用 tensorflow 跑一个深度神经网络

五、TensorFlow高级API：tf.contrib.learn

前言

在12天的日记中，我们有了解过 sklearn 针对传统的机器学习，适合中小型的项目，那种数据量不大、CPU上就可以完成的运算。而 tensorflow 针对深度学习任务，适合数据量较大、一般需要GPU加速的运算。但是自由度比较高，需要自己动手写很多东西。

本文中，我们快速安装一下tensorflow，再简单认识一下tensorflow，再用 tensorflow 跑一个简单的 logistic regression，了解用 tensorflow 建模的基本零件工具。之后，再正式的跑一个神经网络。

（本文所有演示都是 tensorflow 1.X）

一、Windows 下 Tensorflow 快速安装

我们知道正是因为有了 Anaconda+Pycharm， 我们才可以愉快轻松的使用Python 以及它的各种库。使用 Tensorflow 也是一样，经过踩坑尝试，Windows 下最快的安装流程如下：

① 下载安装 Pycharm

② 下载安装 Anaconda3-4.2.0-Windows（对于的Python版本是3.5.x，这个很重要）

③ Pycharm 里的解释器（Interpreter）选择 Anaconda 下的 python.exe

④ Package中安装tensorflow（可以看到还是1.X版）

至此，我们就安装好了 Tensorflow，可以尝试在 Pycharm 中运行：

import tensorflow as tf

注意这里是CPU版本，GPU版本的设置我们后面有机会再介绍，先安装CPU版本学习一下。

二、初识 Tensorflow

在各种资料上，我们都看到过类似这样对 tensorflow 的介绍：

tensorflow 用图的形式来表示运算过程的一种模型，每一个节点都表示数学操作，线将其联系起来，即“张量”（tensor）

这是什么意思呢？在学习logistic模型的时候，我们了解过，构建一个模型需要哪些流程？

• 定义模型的形式（线性回归/logistic回归......）
• 建立目标函数（误差最小/似然最大......）
• 选择优化算法（用怎样的方法使得目标函数达到一个最优值）
• 优化目标函数，得到最佳参数

在tensorflow的数据流图中，就是要自己去定义这些运算模块，也就是构建 Graph，代码不会生效。之后要启动一个 Session，程序才会真正运行。先简单了解三个概念：

• graph：计算流图，在图中中定义了一些运算
• op：操作，graph都是由op组成的
• session：执行graph，给graph灌入数据，得到结果

我们就用 logistic regression 来学习一下 tensorflow 建模过程和这些概念。

三、学习：Tensorflow 跑 logistic 回归

如下图，一段 Tensorflow 程序我们大概要完成三步：准备数据、定义Graph、执行Session，先大体了解一下：

1、准备数据

1.1 划分数据集 train_test_split()

本文仍采用 iris 数据。首先划分数据集，训练集：测试集=7:3

#划分数据集

X=iris.data

y=iris.target

X_train, X_test, y_train, y_test=train_test_split(X,y,test_size=0.3,random_state=0)

1.2 处理哑变量 get_dummies()

另外，这个数据的 lable 是多分类的，在上一文中（一把 sklearn 走天下），sklearn 可以自动用 one-vs-rest 的思路进行处理。Tensorflow 需要事先把多分类的处理成哑变量，我们把 y_train 和 y_test 处理成多分类的哑变量：

#哑变量

y_train=pd.get_dummies(y_train)

y_test=pd.get_dummies(y_test)

2、定义 graph

我们要开始对模型框架进行一些定义， 具体来说：

我们先把一个模型中的占位符、变量定义出来，再定义损失函数、进而定义损失函数的优化方法，这基本可以理解为把模型的样子搭好了，

在后面执行session时，再把真实的数据喂给占位符，并执行优化方法，得到最优的参数。

2.1 定义数据占位符 tf.placeholder

placeholder 是占位符，大概意思是一个数据空壳，后期我们要把真实的数据灌进去。

#占位符

x=tf.placeholder(tf.float32,[None,4])

y=tf.placeholder(tf.float32,[None,3])

2.2 定义变量 tf.Variable()

建模的本质就是找到最优的参数，这个参数就是我们要定义的变量。logistic 回归中，由于有四个特征，因此变量是 w1/w2/w3/w4，还有一个常量 bias。

但是，注意这里我们把y不是简单0/1的预测，因为y是3分类的，我们把y处理成了3分类的哑变量，在预测时候，我们需要对3类分别预测，取预测概率最大的结果。

因此在本例中，变量有4×3=12个，是一个4×3的矩阵，而且 bias 也不是一个，而是3个，即 3×1 的向量。

变量定义为：

#定义变量

weight=tf.Variable(tf.random_normal([4,3]),dtype=tf.float32)

bias=tf.Variable(tf.constant(0.01, shape=[6]))

我们通过 tf.Variable() 创建 Variable 类的实例，向 graph 中添加变量。我们要在参数中定义好这个 Variable 的形状，用 tf.random_normal() 。

tf.random_normal() 函数是从正态分布中输出随机值。参数形式为：

random_normal(

shape,

mean=0.0,

stddev=1.0,

dtype=tf.float32,

seed=None,

name=None

)

这里shape就是[4,3]，因为上面说过，weight 是一个4×3的矩阵。

2.3 定义损失函数和优化方法

这里，我们的损失函数是让y的预测值与真实值的均方误差，优化的目的是让这个损失函数最小：

#定义y的预测值y_pred_sgmd

y_pred=tf.add(tf.matmul(x,weight),bias)

y_pred_sgmd=tf.nn.sigmoid(y_label)

#定义损失函数loss：采用均方误差

loss=tf.reduce_mean(tf.square(y-y_pred_sgmd))

#定义迭代优化方法train：采用梯度下降

train=tf.train.GradientDescentOptimizer(0.2).minimize(loss)

• tf.matmul(x, weight) 是矩阵x 乘以 矩阵weight。
• tf.add(tf.matmul(x, weight), bias) 就是再加上bias。
• tf.square(a) 是对a里每一个元素求平方。
• reduce_mean() 的形式如下：

reduce_mean(

input_tensor,

axis=None,

keep_dims=False,

name=None,

reduction_indices=None

)

作用是在第一个参数 input_tensor 矩阵中，按照 axis 指定维度求平均，axis不指定，将所有元素加总求平均值，axis=0，求纵轴平均值，=1求横轴平均值。比如：

x = tf.constant([[1., 1.], [2., 2.]])

tf.reduce_mean(x) # (1+1+2+2)/4=1.5

tf.reduce_mean(x, 0) # [(1+2)/2, (1+2)/2]=[1.5, 1.5]

tf.reduce_mean(x, 1) # [(1+1)/2,(2+2)/2]=[1., 2.]

• tf.train.GradientDescentOptimizer(0.2) 梯度下降优化器，0.2是学习率。minimize(loss) 说明优化的目标是最小化 loss。

3、优化执行

我们要开始真正执行求解了，先灌入训练数据，再执行优化，得到最优模型之后，对测试集上的数据进行预测。

整体代码如下，后面分段解释：

#Session

with tf.Session() as sess:

#下面的code都是在这个sess下面

#变量初始化：给Graph图中的变量初始化

sess.run(tf.global_variables_initializer())

#迭代8000次

for i in range(8000):

sess.run(train, feed_dict={x:X_train,y:y_train})

#每1000次输出一次loss

if (i%1000==0):

print (sess.run(loss,feed_dict={x:X_train,y:y_train}))

#输出最终的参数：weight和bias

print (sess.run(weight), sess.run(bias))

#灌入测试数据

#直接输出3分类的结果

#3分类的原始概率结果

pred_y_3level = sess.run(y_label_sgmd, feed_dict={x: X_test})

print (pred_y_3level)

#选择概率最大的分类

y_argmax=tf.argmax(y_label_sgmd, 1)

y_pred=sess.run(y_argmax, feed_dict={x:X_test})

print (y_pred)

#计算精准、召回、F1 score

y_true=np.argmax(np.array(y_test),1)

print (y_true)

print("Precision", metrics.precision_score(y_true, y_pred,average='micro'))

print("Recall", metrics.recall_score(y_true, y_pred, average='micro'))

print("f1_score", metrics.f1_score(y_true, y_pred, average='micro'))

3.1 建立 session

#建立session

with tf.Session() as sess:

#下面的code都是在这个sess下面

这里表示建立一个会话Session，用于执行计算，同时也负责分配计算资源和变量存放。

3.2 变量初始化

#变量初始化：给Graph图中的变量初始化

sess.run(tf.global_variables_initializer())

在使用变量之前，需要对变量进行初始化，使用 tf.global_variables_initializer() 来初始化全局变量。

3.3 灌入训练数据，训练模型

#迭代8000次

for i in range(8000):

sess.run(train, feed_dict={x:X_train,y:y_train})

#每1000次输出一次loss

if (i%1000==0):

print (sess.run(loss,feed_dict={x:X_train,y:y_train}))

#输出最终的参数：weight和bias

print (sess.run(weight), sess.run(bias))

• feed_dict 的作用是给 placeholder 占位符进行赋值，灌入具体数据。
• sess.run(train, feed_dict={}) 就是运行我们之前定义的优化 train，并且灌入训练数据给 placeholder。
• sess.run(loss, feed_dict={}) 就是灌入训练数据给 placeholder，并运行 loss，print 出来，查看迭代过程的 loss 变化。

3.4 用测试数据，进行测试

#直接输出3分类的结果

#3分类的原始概率结果

pred_y_3level = sess.run(y_label_sgmd, feed_dict={x: X_test})

print (pred_y_3level)

#选择概率最大的分类

y_argmax=tf.argmax(y_label_sgmd, 1)

y_pred=sess.run(y_argmax, feed_dict={x:X_test})

print (y_pred)

sess.run(y_label_sgmd,feed_dict={x: X_test})

就是灌入测试数据，执行 y_label_sgmd 。因为我们把y处理成了哑变量，所以 pred_y_3leve 是直接计算出来的是三分类每一类的概率，比如，执行 print (pred_y_3level) 的结果是：

[[ 1.14419532e-03 1.62675023e-01 9.32786524e-01] [ 1.80235207e-02 7.11646140e-01 1.15287527e-01] [ 9.94252741e-01 8.70510414e-02 4.32862507e-05] [ 4.18097188e-04 5.59823513e-01 8.71750891e-01]... [ 9.83450115e-01 1.70802653e-01 9.36481520e-05]]

我们最终会选择概率最大的一类作为最终结果，所以我们把 y_label_sgmd 换成 tf.argmax(y_label_sgmd, 1) ，argmax(input, axis) 对矩阵input，根据axis取值的不同，返回每行（axix=1）或每列（axis=0）最大值的索引。

所以执行 print (y_pred) 后的结果大概是：

[2 1 0 2 0 2 0 1 1 1 2 1 1 1 2 0 2 2 0 0 2 2 0 0 2 0 0 1 1 0 2 2 0 2 2 2 0 2 1 1 2 0 2 0 0]

3.5 模型评价

#计算精准、召回、F1 score

y_true = np.argmax(np.array(y_test), 1)

print("Precision", metrics.precision_score(y_true, y_pred,average='micro'))

print("Recall", metrics.recall_score(y_true, y_pred, average='micro'))

print("f1_score", metrics.f1_score(y_true, y_pred, average='micro'))

这里仍然使用 sklearn 的 metrics 计算精准、召回、F1 score（from sklearn import metrics），在上一天的日记中已经学习过（一把 sklearn 走天下）。最终执行结果为：

Precision 0.844444444444Recall 0.844444444444f1_score 0.844444444444

四、练习：用 tensorflow 跑一个深度神经网络

我们仍以 iris 数据集为例，用神经网络来对鸢尾花的品种进行预测。神经网络的基本概念，比如神经元、激活函数等，这里不做介绍。我们对神经网络做如下设计：

① 输入层，是4个特征。

② 隐含层有一层，我们用6个神经元。

③ 输出层有3个输出，分别代表每一个品种的概率。

④ 对输出层的3个概率，取最大概率作为最终结果。

code如下所示，总体框架思路不变，仍然是数据准备、定义Graph、执行Session，Session 中先初始化变量，再执行训练、执行预测、查看效果。

#coding:utf-8

import tensorflow as tf

from sklearn import datasets

import numpy as np

import pandas as pd

from sklearn.model_selection

import train_test_split from sklearn

import metrics

#1.数据处理

#1.1训练集/测试集

iris=datasets.load_iris()

X=iris.data

y=iris.target

X_train, X_test, y_train, y_test=train_test_split(X,y,test_size=0.3,random_state=0)

#1.2处理哑变量

y_train=pd.get_dummies(y_train)

y_test=pd.get_dummies(y_test)

#2.定义Graph

#2.1占位符

x = tf.placeholder(tf.float32,[None,4])

y = tf.placeholder(tf.float32,[None,3])

#2.2输入→隐藏层，6个神经元，4个输入

w1 = tf.Variable(tf.random_normal([4, 6]), dtype=tf.float32)

b1 = tf.Variable(tf.constant(0.01, shape=[6]))

y1 = tf.nn.sigmoid(tf.matmul(x, w1) + b1)

#2.3隐藏层→输出层，3个输出，6个输入

w2 = tf.Variable(tf.random_normal([6, 3]), dtype=tf.float32)

# 输出层，3个神经元，10个输入

b2 = tf.Variable(tf.constant(0.01, shape=[6]))

y_label_sgmd = tf.nn.sigmoid(tf.matmul(y1, w2) + b2)

#2.4loss和train

loss=tf.reduce_mean(tf.square(y-y_label_sgmd))

train=tf.train.GradientDescentOptimizer(0.05).minimize(loss)

#3启动Session

with tf.Session() as sess:

#3.1变量初始化：给Graph图中的变量初始化

sess.run(tf.global_variables_initializer())

#3.2执行训练，并查看loss

for i in range(4000):

sess.run(train, feed_dict={x:X_train,y:y_train})

if (i%1000==0):

print ('step=',i,',loss=',sess.run(loss,feed_dict={x:X_train,y:y_train}))

#3.3执行预测，查看结果

y_argmax = tf.argmax(y_label_sgmd, 1)

y_pred = sess.run(y_argmax, feed_dict={x: X_test})

y_true = np.argmax(np.array(y_test), 1)

print('预测结果：',y_pred)

print('真实结果：',y_true)

#3.4计算精准、召回、F1 score

y_true = np.argmax(np.array(y_test), 1)

print("Precision", metrics.precision_score(y_true, y_pred, average='micro'))

print("Recall", metrics.recall_score(y_true, y_pred, average='micro'))

print("f1_score", metrics.f1_score(y_true, y_pred, average='micro'))

结果如下：

step= 0 ,loss= 0.324072step= 1000 ,loss= 0.180962step= 2000 ,loss= 0.134391step= 3000 ,loss= 0.110529step= 4000 ,loss= 0.0967584预测结果： [2 1 0 2 0 2 0 1 1 1 2 1 2 1 2 0 1 2 0 0 2 2 0 0 2 0 0 1 1 0 2 2 0 2 2 1 0 2 1 1 2 0 2 0 0]真实结果： [2 1 0 2 0 2 0 1 1 1 2 1 1 1 1 0 1 1 0 0 2 1 0 0 2 0 0 1 1 0 2 1 0 2 2 1 0 1 1 1 2 0 2 0 0]Precision 0.866666666667Recall 0.866666666667f1_score 0.866666666667

code中的2.2和2.3是定义神经网络的内部结构，分别是：

• 输入层→隐藏层
• 隐藏层→输出层

这两个结构基本是一样的，我们也可以把这个过程打包成一个函数 add_layer()，一个添加层的函数，避免重复定义。同时还能隐藏层可以多定义几层。

我们定义一个添加层的函数 add_layer()，中间设计2个隐藏层，如下所示：

code如下：

import tensorflow as tf

from sklearn import datasets

import numpy as np

import pandas as pd

from sklearn.model_selection import train_test_split

from sklearn import metrics

#1.数据处理

#1.1训练集/测试集

iris=datasets.load_iris()

X=iris.data

y=iris.target

X_train, X_test, y_train, y_test=train_test_split(X,y,test_size=0.3,random_state=0)

#1.2处理哑变量

y_train=pd.get_dummies(y_train)

y_test=pd.get_dummies(y_test)

#2.定义Graph

#2.1占位符

x = tf.placeholder(tf.float32,[None,4])

y = tf.placeholder(tf.float32,[None,3])

#2.2定义添加层函数 add_layer()

def add_layer(input, input_n, output_n):

w = tf.Variable(tf.random_normal([input_n, output_n]), dtype=tf.float32)

b = tf.Variable(tf.constant(0.01, shape=[output_n]))

output= tf.nn.sigmoid(tf.matmul(input, w) + b)

return output

#2.3添加隐藏层和输出层

#第一个隐藏层，6个神经元，4个输入

y1=add_layer(x,4,6)

#第二个隐藏层，6个神经元，6个输入

y2=add_layer(y1,6,6)

#输出层，3个输出，6个输入

y_label_sgmd=add_layer(y2,6,3)

#2.4loss和train

loss=tf.reduce_mean(tf.square(y-y_label_sgmd))

train=tf.train.GradientDescentOptimizer(0.05).minimize(loss)

#3启动Session

with tf.Session() as sess:

#3.1变量初始化：给Graph图中的变量初始化

sess.run(tf.global_variables_initializer())

#3.2执行训练，并查看loss

for i in range(5000):

sess.run(train, feed_dict={x:X_train,y:y_train})

if (i%1000==0):

print ('step=',i,',loss=',sess.run(loss,feed_dict={x:X_train,y:y_train}))

#3.3执行预测，查看结果

y_argmax = tf.argmax(y_label_sgmd, 1)

y_pred = sess.run(y_argmax, feed_dict={x: X_test})

y_true = np.argmax(np.array(y_test), 1)

print('预测结果：',y_pred)

print('真实结果：',y_true)

#3.4计算精准、召回、F1 score

y_true = np.argmax(np.array(y_test), 1)

print("Precision", metrics.precision_score(y_true, y_pred, average='micro'))

print("Recall", metrics.recall_score(y_true, y_pred, average='micro'))

print("f1_score", metrics.f1_score(y_true, y_pred, average='micro'))

结果如下：

step= 0 ,loss= 0.286843step= 1000 ,loss= 0.165464step= 2000 ,loss= 0.132134step= 3000 ,loss= 0.1124step= 4000 ,loss= 0.0921755预测结果： [2 1 0 2 0 2 0 1 1 1 2 1 1 1 1 0 1 1 0 0 2 1 0 0 2 0 0 1 1 0 2 1 0 2 2 1 0 2 1 1 2 0 2 0 0]真实结果： [2 1 0 2 0 2 0 1 1 1 2 1 1 1 1 0 1 1 0 0 2 1 0 0 2 0 0 1 1 0 2 1 0 2 2 1 0 1 1 1 2 0 2 0 0]Precision 0.977777777778Recall 0.977777777778f1_score 0.977777777778

五、TensorFlow高级API：tf.contrib.learn

除了tensorflow的固有套路，还可以用 tf.contrib.learn，这是TensorFlow的高级API，里面内置了一些已经封装好的 Estimator。如：

• 线性回归
• tf.contrib.learn.LinearRegressor
• 逻辑回归
• tf.contrib.learn.LogisticRegressor
• 线性分类
• tf.contrib.learn.LinearClassifier
• 深度神经网络DNN
• tf.contrib.learn.DNNClassifier

对于本例，使用这个API（tf.contrib.learn.DNNClassifier）可以：

不用设置哑变量、不用做各种定义、只需要10行代码

代码见评论区。

推荐阅读：

• 机器学习分类大全
• 一把 sklearn 走天下
• 3行代码实现 Python 并行处理，速度提高6倍！
• 海量文本用 Simhash， 2小时变4秒！
• 循环、分支...都可以在Python中用函数实现！ | 函数式编程，打开另一个世界的大门
• Python & R 代码 对照速查表