web-dev-qa-db-fra.com

Création d'un SVM avec Tensorflow

J'ai actuellement deux tableaux numpy:

  • X - (157, 128) - 157 ensembles de 128 fonctionnalités
  • Y - (157) - classifications des jeux de fonctionnalités

C'est le code que j'ai écrit pour tenter de construire un modèle de classification linéaire de ces fonctionnalités.

Tout d'abord, j'ai adapté les tableaux à un ensemble de données Tensorflow:

train_input_fn = tf.estimator.inputs.numpy_input_fn(
    x={"x": X},
    y=Y,
    num_epochs=None,
    shuffle=True)

J'ai ensuite essayé de fit un modèle SVM:

svm = tf.contrib.learn.SVM(
    example_id_column='example_id', # not sure why this is necessary
    feature_columns=tf.contrib.learn.infer_real_valued_columns_from_input(X), # create feature columns (not sure why this is necessary) 
    l2_regularization=0.1)

svm.fit(input_fn=train_input_fn, steps=10)

Mais cela renvoie juste l'erreur:

WARNING:tensorflow:float64 is not supported by many models, consider casting to float32.
WARNING:tensorflow:Using temporary folder as model directory: /tmp/tmpf1mwlR
WARNING:tensorflow:tf.variable_op_scope(values, name, default_name) is deprecated, use tf.variable_scope(name, default_name, values)
Traceback (most recent call last):
  File "/var/www/idmy.team/python/train/classifier.py", line 59, in <module>
    svm.fit(input_fn=train_input_fn, steps=10)
  File "/usr/local/lib/python2.7/dist-packages/tensorflow/python/util/deprecation.py", line 316, in new_func
    return func(*args, **kwargs)
  File "/usr/local/lib/python2.7/dist-packages/tensorflow/contrib/learn/python/learn/estimators/estimator.py", line 480, in fit
    loss = self._train_model(input_fn=input_fn, hooks=hooks)
  File "/usr/local/lib/python2.7/dist-packages/tensorflow/contrib/learn/python/learn/estimators/estimator.py", line 985, in _train_model
    model_fn_ops = self._get_train_ops(features, labels)
  File "/usr/local/lib/python2.7/dist-packages/tensorflow/contrib/learn/python/learn/estimators/estimator.py", line 1201, in _get_train_ops
    return self._call_model_fn(features, labels, model_fn_lib.ModeKeys.TRAIN)
  File "/usr/local/lib/python2.7/dist-packages/tensorflow/contrib/learn/python/learn/estimators/estimator.py", line 1165, in _call_model_fn
    model_fn_results = self._model_fn(features, labels, **kwargs)
  File "/usr/local/lib/python2.7/dist-packages/tensorflow/contrib/learn/python/learn/estimators/linear.py", line 244, in sdca_model_fn
    features.update(layers.transform_features(features, feature_columns))
  File "/usr/local/lib/python2.7/dist-packages/tensorflow/contrib/layers/python/layers/feature_column_ops.py", line 656, in transform_features
    transformer.transform(column)
  File "/usr/local/lib/python2.7/dist-packages/tensorflow/contrib/layers/python/layers/feature_column_ops.py", line 847, in transform
    feature_column.insert_transformed_feature(self._columns_to_tensors)
  File "/usr/local/lib/python2.7/dist-packages/tensorflow/contrib/layers/python/layers/feature_column.py", line 1816, in insert_transformed_feature
    input_tensor = self._normalized_input_tensor(columns_to_tensors[self.name])
KeyError: ''

Qu'est-ce que je fais mal?

pythontensorflowmachine-learningsvm
14
maxisme

Voici un exemple d'utilisation de SVM qui ne génère pas d'erreur:

import numpy
import tensorflow as tf

X = numpy.zeros([157, 128])
Y = numpy.zeros([157], dtype=numpy.int32)
example_id = numpy.array(['%d' % i for i in range(len(Y))])

x_column_name = 'x'
example_id_column_name = 'example_id'

train_input_fn = tf.estimator.inputs.numpy_input_fn(
    x={x_column_name: X, example_id_column_name: example_id},
    y=Y,
    num_epochs=None,
    shuffle=True)

svm = tf.contrib.learn.SVM(
    example_id_column=example_id_column_name,
    feature_columns=(tf.contrib.layers.real_valued_column(
        column_name=x_column_name, dimension=128),),
    l2_regularization=0.1)

svm.fit(input_fn=train_input_fn, steps=10)

Exemples passés à l'estimateur SVM besoin d'ID de chaîne . Vous pouvez probablement remplacer le dos infer_real_valued_columns_from_input, mais vous devrez lui passer un dictionnaire pour qu'il prenne le bon nom pour la colonne. Dans ce cas, il est conceptuellement plus simple de construire vous-même la colonne d'entités.

11
Allen Lavoie
  • La clé self.name N'est pas présente dans le dictionnaire column_to_tensors C'est ce que dit l'erreur et la valeur de self.name Est une chaîne vide
  • Je pense que vous vous êtes trompé en donnant les arguments à tf.estimator.inputs.numpy_input_fn

  • La solution pourrait être de changer la ligne train_input_fn en

    train_input_fn = tf.estimator.inputs.numpy_input_fn(x=X,
                                                    y=Y,
                                                    num_epochs=None,
                                                    shuffle=True)

  • Je pense que l'argument x doit être un tableau numpy et vous lui donnez un dictionnaire

  • Je vais m'en tenir à leur tutoriel et ne fais pas de fantaisie

    real_feature_column = real_valued_column(...)
sparse_feature_column = sparse_column_with_hash_bucket(...)

estimator = SVM(
    example_id_column='example_id',
    feature_columns=[real_feature_column, sparse_feature_column],
    l2_regularization=10.0)

# Input builders
def input_fn_train: # returns x, y
    ...
def input_fn_eval: # returns x, y
    ...

estimator.fit(input_fn=input_fn_train)
estimator.evaluate(input_fn=input_fn_eval)
estimator.predict(x=x)

=============== MISE À JOUR ==============

  • Ma réponse mise à jour sera spécifique à votre erreur
  • Comme l'erreur l'indique, self.name Est une chaîne vide et cette chaîne vide n'est pas présente dans votre dictionnaire que vous passez à infer_real_valued_columns_from_input Qui crée l'objet _RealValuedColumn
  • Donc, ce que j'ai trouvé en déboguant l'erreur, c'est que la tf.contrib.learn.infer_real_valued_columns_from_input(X) le X que vous passez doit être un dictionnaire pour que l'objet self.name De _RealValuedColumn Soit initialisé par la clé du dictionnaire que vous passez

  • Voilà donc ce que j'ai fait

    import tensorflow as tf
import numpy as np

X = np.array([[1], [0], [0], [1]])
Y = np.array([[1], [0], [0], [1]])

dic = {"x": X}

train_input_fn = tf.estimator.inputs.numpy_input_fn(
    x=dic,
    y=Y,
    num_epochs=None,
    shuffle=True)

svm = tf.contrib.learn.SVM(example_id_column='x', feature_columns=tf.contrib.learn.infer_real_valued_columns_from_input(dic), l2_regularization=0.1)

svm.fit(input_fn=train_input_fn, steps=10)

  • Maintenant, cela supprime l'erreur ci-dessus et cela donne une nouvelle erreur TypeError: Input 'input' of 'SdcaFprint' Op has type int64 that does not match expected type of string.

  • J'espère que vous supprimez votre vote négatif
2
Jai