java 重写 tensorflow_TensorFlow2.0怎么实现K_Means
介绍
K_Means其实用sklearn即可,TensorFlow1.0早期版本支持K_Means,在2.0之后,由于很多api废弃,导致实现K_Means有很多坑。以下为踩坑记录。
完整代码路径:https://github.com/lilihongjava/leeblog_python/tree/master/tensorflow_kmeans
数据集
采用sklearn iris.csv数据集,位于data目录下
训练方法
入口代码
tf_k_means_model(feature_column="sepal length (cm),sepal width (cm),petal length (cm),petal width (cm)",
center_count=3, input1="./data/iris.csv", output1="./data/")
采用tf.compat.v1.estimator.experimental.KMeans api,此API是从1.X版本迁移来的,目前处于experimental阶段,用于生产环境要小心!
train方法需要接受输入函数(input function),input_fn用于将feature和target data传递给Estimator的train/evaluate/predict方法。这里,将numpy数据转换为Tensors。
def input_fn():
return tf.data.Dataset.from_tensors(tf.convert_to_tensor(points, dtype=tf.float32)).repeat(2)
model.train(input_fn)
模型导出
用的是tf.Estimator.export_saved_model方法,需要指定特征列的类型,这里用的是numeric_column
if output1:
my_feature_columns = []
for key in feature_column:
my_feature_columns.append(tf.feature_column.numeric_column(key=key))
serving_input_fn = tf.estimator.export.build_parsing_serving_input_receiver_fn(
tf.feature_column.make_parse_example_spec(my_feature_columns))
estimator_path = model.export_saved_model(output1, serving_input_fn)
导入模型
使用tf.saved_model.load导入目录下的模型,这里k_means导出模型signatures没有predict,这里采用cluster_index替代预测
imported = tf.saved_model.load(model_path)
imported.signatures["cluster_index"]
多维预测
这里要注意的是,一个tf.train.Example代表一个样本数据,这里需要用个list存放多个样本数据。
# 将输入数据转换成序列化后的 Example 字符串。
examples = []
for index, row in feature_dict.iterrows():
feature = {}
for col, value in row.iteritems():
feature[col] = tf.train.Feature(float_list=tf.train.FloatList(value=[value]))
example = tf.train.Example(
features=tf.train.Features(
feature=feature
)
)
examples.append(example.SerializeToString())
整体代码
# encoding: utf-8
"""
@author: lee
@time: 2020/6/29 10:41
@file: main.py
@desc:
"""
import pandas as pd
import tensorflow as tf
import numpy as np
from tensorflow_kmeans.util.common_util import create_df
from tensorflow_kmeans.util.fileUtil import get_last_dir
from util.common_util import arg_check_transformation
def tf_k_means_model(feature_column=None, center_count=None, input1=None, output1=None):
print("输入参数:", locals())
feature_column = arg_check_transformation("list_name_str", "feature_column", feature_column)
if center_count:
center_count = arg_check_transformation("int", "center_count", center_count)
else:
raise Exception("聚类数不能为空")
df = pd.read_csv(input1)
model = tf.compat.v1.estimator.experimental.KMeans(
num_clusters=center_count, use_mini_batch=False)
points = np.array(df[feature_column])
def input_fn():
return tf.data.Dataset.from_tensors(tf.convert_to_tensor(points, dtype=tf.float32)).repeat(2)
# train
num_iterations = 10
previous_centers = None
for _ in range(num_iterations):
model.train(input_fn)
cluster_centers = model.cluster_centers()
if previous_centers is not None:
print('delta:', cluster_centers - previous_centers)
previous_centers = cluster_centers
print('score:', model.score(input_fn))
print('cluster centers:', cluster_centers)
if output1:
my_feature_columns = []
for key in feature_column:
my_feature_columns.append(tf.feature_column.numeric_column(key=key))
serving_input_fn = tf.estimator.export.build_parsing_serving_input_receiver_fn(
tf.feature_column.make_parse_example_spec(my_feature_columns))
estimator_path = model.export_saved_model(output1, serving_input_fn)
def model_predict(input_data, input_model_path, feature_column):
feature_column = arg_check_transformation("list_name_str", "feature_column", feature_column)
model_path = get_last_dir(input_model_path)
imported = tf.saved_model.load(model_path)
feature_dict = input_data[feature_column]
# 将输入数据转换成序列化后的 Example 字符串。
examples = []
for index, row in feature_dict.iterrows():
feature = {}
for col, value in row.iteritems():
feature[col] = tf.train.Feature(float_list=tf.train.FloatList(value=[value]))
example = tf.train.Example(
features=tf.train.Features(
feature=feature
)
)
examples.append(example.SerializeToString())
re = imported.signatures["cluster_index"](
examples=tf.constant(examples))
return re["output"].numpy()
if __name__ == '__main__':
tf_k_means_model(feature_column="sepal length (cm),sepal width (cm),petal length (cm),petal width (cm)",
center_count=3, input1="./data/iris.csv", output1="./data/")
data_frame = pd.DataFrame(np.array([[5.0, 3.3, 1.4, 0.2, 0], [7.0, 3.2, 4.7, 1.4, 1]]),
columns=['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)',
'petal width (cm)', 'target'])
predict = model_predict(
feature_column="sepal length (cm),sepal width (cm),petal length (cm),petal width (cm)",
input_model_path="./data/", input_data=data_frame)
print(predict)
参考:https://www.tensorflow.org/api_docs/python/tf/compat/v1/estimator/experimental/KMeans
https://www.tensorflow.org/guide/saved_model#savedmodels_from_estimators
本文地址:https://blog.csdn.net/qq_33873431/article/details/107160609
如您对本文有疑问或者有任何想说的,请点击进行留言回复,万千网友为您解惑!
java 重写 tensorflow_TensorFlow2.0怎么实现K_Means相关推荐
- 三分钟了解“Java重写”
要了解"Java重写",首先要知道"继承",继承是一种基于已有类(父类)创建新类(子类)的一种方式 下面的Son类继承了Father类 public class ...
- [转载] Java 重写paint绘图
参考链接: 用Java重写Override 感谢原文:https://zhidao.baidu.com/question/260060153.html 这个方法需要注意的地方不多,也就是重写时,先调用 ...
- Java 重写(Override)与重载(Overload)
TestDog.java /* * 重写(Override) * 重写是子类对父类的允许访问的方法的实现过程进行重新编写, 返回值和形参都不能改变.即外壳不变,核心重写! * 重写的好处在于子类 ...
- Scala error: type mismatch; found : java.util.List[?0] required: java.util.List[B]
Scala error: type mismatch; found : java.util.List[?0] required: java.util.List[B] 目录 Scala error: t ...
- uestWrapper.getSession(HttpServletRequestWrapper.java:241) ~[tomcat-embed-core-9.0.13.jar:9.0.13]
报错信息如下: uestWrapper.getSession(HttpServletRequestWrapper.java:241) ~[tomcat-embed-core-9.0.13.jar:9. ...
- AS5 安装 JAVA 1.6.0 用于 TOTOplayer的启动
系统:RedHat as-5 TOTOPLAYER (LINUX下的千千静听)启动需要JAVA-1.6的版本,系统默认安装是1.4,所以需要升级 查看本机JAVA版本命令:rpm -qa|grep j ...
- java 7 发布,【UC浏览器】Java平台7.0正式版发布啦
[UC浏览器]Java平台7.0正式版发布啦 UC浏览器是UC 优视科技开发的一款手机浏览器,支持WEB.WAP页面浏览,速度快而稳定,页面排版美观:具有网站导航.搜索.下载.个人数据管理等功能,您能 ...
- java oauth2.0_教程:如何实现Java OAuth 2.0以使用GitHub和Google登录
java oauth2.0 将Google和GitHub OAuth登录添加到Java应用程序的指南 我们添加到Takipi的最新功能之一是3rd party登录. 如果您像我一样懒惰,那么我想您也希 ...
- 教程:如何实现Java OAuth 2.0以使用GitHub和Google登录
将Google和GitHub OAuth登录添加到Java应用程序的指南 我们添加到Takipi的最新功能之一是3rd party登录. 如果您像我一样懒惰,那么我想您也希望跳过填写表单和输入新密码的 ...
最新文章
- R语言层次聚类(hierarchical clustering):使用scale函数进行特征缩放、hclust包层次聚类(创建距离矩阵、聚类、绘制树状图dendrogram,在树状图上绘制红色矩形框)
- Asp.net控件开发学习笔记(四)---Asp.net服务端状态管理
- 电子科技学院计算机调剂,2020年电子科技大学电子科学技术研究院考研调剂信息...
- MapReduce入门2-流量监控
- Intel Hyperscan简介
- Wireshark-002导入导出
- 拿别人源码去申请软著_别拿自己的尺子,去丈量别人的生活!
- MFC ------- AfxGetMainWnd( )
- 语义噪声 | 语义网:重新发明轮子,创新者的窘境
- 斐讯k2路由器刷PandoraBox一宽带多人用
- 网页制作html新手代码,网页制作HTML基础标签代码大全
- 双线性插值GPU加速
- imagej得到灰度图数据_老司机带你解锁ImageJ实用技巧(下)
- mac jupyter notebook 服务似乎挂掉了,但是会立刻重启的
- java多个文件加密压缩_java中文件如何加密压缩?
- mysql的sql语句没错但是报错_sql语句没错·但是却报错,怎么回事?
- win8、server 2012 清除winsxs文件夹
- Android 音视频开发-FFmpeg 命令
- dot全称_DOT是什么
- 如何把旧电脑游戏数据迁移到新电脑?
热门文章
- 计算机信息管理招聘笔试题,计算机信息管理专业卫生事业单位招聘考试笔试模拟题(七)...
- 核密度聚类(二)核密度估计、自适应核密度的数学原理
- Salesforce搬砖之功能概况
- 操作系统之处理器管理的概念
- Jetty9 NO JSP Support for /, did not find org.apache.jasper.servlet.JspServlet
- 群晖安装GitServer
- 换热站远程监控系统方案
- 可折叠列表ExpandableList
- 工业相机 linux驱动软件,机器视觉软件及工业相机软件下载 - pylon, ToF 等 | Basler...
- enum c++语言_第三章 C语言关键字