ScikitFlow是TesorFlow的简化接口，模仿Scikit学习，让用户可以在预测分析和数据挖掘中使用。
为什么使用TesorFlow？
TesorFlow提供构建各种不同类型机器学习应用的核心
会继续在分布式方向和常规管道机器中进行创新
为什么使用ScikitFlow？
可以平滑的从单向机器学习ScikitLear过渡到更开放的，可以构建不同类型的ML模型。用户可以通过fit/predict和切换到TesorFlowAPIs。
提供一系列的参考模型，方便与现有的代码集成。
LiearClassifierimport skflowfrom sklear import datasets, metricsiris = datasets.load_iris()classifier = skflow.TesorFlowLiearClassifier(_classes=3)classifier.fit(iris.data, iris.target)score = metrics.accuracy_score(classifier.predict(iris.data), iris.target)prit("Accuracy: %f" % score)LiearRegressorimport skflowfrom sklear import datasets, metrics, preprocessigbosto = datasets.load_bosto()X = preprocessig.StadardScaler().fit_trasform(bosto.data)regressor = skflow.TesorFlowLiearRegressor()regressor.fit(X, bosto.target)score = metrics.mea_squared_error(regressor.predict(X), bosto.target)prit ("MSE: %f" % score)DeepNeuralNetworkimport skflowfrom sklear import datasets, metricsiris = datasets.load_iris()classifier = skflow.TesorFlowDNNClassifier(hidde_uits=[10, 20, 10], _classes=3)classifier.fit(iris.data, iris.target)score = metrics.accuracy_score(classifier.predict(iris.data), iris.target)prit("Accuracy: %f" % score)Custommodelimport skflowfrom sklear import datasets, metricsiris = datasets.load_iris()def my_model(X, y): """This is DNN with 10, 20, 10 hidde layers, ad dropout of 0.5 probability.""" layers = skflow.ops.d(X, [10, 20, 10], keep_prob=0.5) retur skflow.models.logistic_regressio(layers, y)classifier = skflow.TesorFlowEstimator(model_f=my_model, _classes=3)classifier.fit(iris.data, iris.target)score = metrics.accuracy_score(classifier.predict(iris.data), iris.target)prit("Accuracy: %f" % score)未来计划更好的处理类别变量
文本分类
图像(CNNs)
更多&更深
评论