Python 如何使用tf.estimator.DNNClassifier（Scikit Flow？）

有人能给我举一个tf.estimator.DNNClassifier（最初是skflow）的基本工作示例吗

因为我熟悉Sklearn，所以读到Scikit Flow on时我很兴奋。尤其是api看起来与SK Learn非常相似

然而，我在从博客获取代码时遇到了一个问题

然后我读到它移到了

经过进一步的调查，我发现我搬去了

然而，现在估计器的api似乎和sklearn分类器有很大的不同

如果有人能给我举一个基本的工作示例，我将不胜感激

这是上面博客中的代码

import tensorflow.contrib.learn as skflow
from sklearn import datasets, metrics

iris = datasets.load_iris()
classifier = skflow.TensorFlowDNNClassifier(hidden_units=[10, 20, 10], n_classes=3)
classifier.fit(iris.data, iris.target)
score = metrics.accuracy_score(iris.target, classifier.predict(iris.data))
print("Accuracy: %f" % score)

API非常有用，因此现在您可以执行类似的操作（提供了一个官方示例）：

将tensorflow导入为tf
从sklearn导入数据集、度量
def序列输入（特征、标签、批次大小）：
dataset=tf.data.dataset.from_tensor_切片（（dict（特征），标签））
返回dataset.shuffle（1000）.repeat（）.batch（批大小）
iris=数据集。加载\u iris（）
列车×={
“0”：iris.data[：，0]，
“1”：iris.data[：，1]，
“2”：iris.data[：，2]，
“3”：iris.data[：，3]，
}
my_feature_columns=[]
对于车内钥匙×钥匙（）：
my\u feature\u columns.append（tf.feature\u column.numeric\u column（key=key））
clf=tf.estimator.DNNClassifier（隐藏单元=[10,20,10]，特征列=我的特征列，n\u类=3）
clf.train（input\u fn=lambda:train\u input\u fn（train\u x，iris.target，32），步长=10000）
preds=list（）
对于idx，枚举中的p（分类器.predict（input_fn=lambda:train_input_fn（train_x，iris.target，32））：
preds.append（p['class_id'][0]）
如果idx==99：
打破
打印（度量精度分数（iris.target[：100]，preds））

但现在最好像这样使用TF Keras API：

将tensorflow导入为tf
从sklearn导入数据集、度量
def序列输入（特征、标签、批次大小）：
dataset=tf.data.dataset.from_tensor_切片（（dict（特征），标签））
返回dataset.shuffle（1000）.repeat（）.batch（批大小）
iris=数据集。加载\u iris（）
clf=tf.keras.models.Sequential([
致密层（10，激活='s形'），
致密层（20，激活='s形'），
致密层（10，激活='s形'），
tf.keras.layers.Dense（3，活化='softmax'），
])
编译（优化器='adam'，loss='classifical_crossentropy'，metrics=['accurity']）
clf.fit（iris.data，iris.target，批量大小=32）

太棒了！！非常感谢你！由于api发生了很大的变化，我假设我不能使用sklearn.model_选择中的交叉验证来获得不同的分数，比如f1_宏？它看起来是这样的，所以您可以使用

KFold

from

sklearn

实现自己的交叉验证方法，如图所示。