《智能系统与技术丛书 生成对抗网络入门指南》—2.2.3Tensorflow实例：图像分类

2.2.3　Tensorflow实例：图像分类

       图像分类是机器学习任务中非常常见的问题，这里我们查看一个TensorFlow的官方案例：如何使用TensorFlow的高级接口Estimator来实现鸢尾花的图像分类。

       鸢尾花有多种类型，可以通过花萼和花瓣的不同特征来加以区分（见图2-12）。TensorFlow提供的数据集中包含了下面四个植物学特征。

       花萼长度

       花萼宽度

       花瓣长度

       花瓣宽度

       每一条数据也对应了一种鸢尾花分类的标签，如下所示。

       山鸢尾（0）

       变色鸢尾（1）

       维吉尼亚鸢尾（2）

图2-12　不同类型的鸢尾花

       我们可以根据此数据集来设置输入函数，以提供用于训练、评估和预测的数据。

def input_evaluation_set():

    features = {'SepalLength': np.array([6.4, 5.0]),

                'SepalWidth':  np.array([2.8, 2.3]),

                'PetalLength': np.array([5.6, 3.3]),

                'PetalWidth':  np.array([2.2, 1.0])}

    labels = np.array([2, 1])

    return features, labels

      接着对于数据的特征需要设置特征列。

FEATURE_KEYS = ['sepal_length', 'sepal_width', 'petal_length', 'petal_width']

feature_columns = [

    tf.feature_column.numeric_column(key, shape=1) for key in FEATURE_KEYS]

       这里使用深度神经网络模型来作为分类器进行训练，其包含一个输入层、三个隐含层以及一个输出层。其中输入层为四个节点，分别对应四种特征，隐含层分别为10、20、10个单元，最后的输出层为三个节点，分别对应三个分类。TensorFlow的代码实现如下。

classifier = tf.estimator.DNNClassifier(

    feature_columns=feature_columns, hidden_units=[10, 20, 10], n_classes=3)

       模型搭建完毕就可以基于数据集进行训练了。

classifier.train(

    input_fn=lambda:iris_data.train_input_fn(train_x, train_y, args.batch_size),

    steps=args.train_steps)

       最终对训练完毕的模型使用测试数据进行准确性评估，这样一整套基于深度模型的图像分类模型就搭建完毕了。

eval_result = classifier.evaluate(

    input_fn=lambda:iris_data.eval_input_fn(test_x, test_y, args.batch_size))