TensorFlow-Klassifizierung mit Dataset

Question

Ich brauche TensorFlow für ein Projekt, um Elemente basierend auf ihren Attributen zu einer bestimmten Klasse (1, 2 oder 3) zu klassifizieren.

Nur Problem ist fast jedes TF-Tutorial oder Beispiel, das ich online finde, ist über Bilderkennung oder Textklassifizierung. Ich kann nichts über die Klassifizierung anhand von Zahlen finden. Ich denke, wonach ich frage ist, wo ich anfangen soll. Wenn jemand ein relevantes Beispiel kennt oder wenn ich nur ganz falsch darüber nachdenke.

Wir erhalten die 13 Attribute für jedes Element und müssen das neuronale TF-Netzwerk verwenden, um jedes Element korrekt zu klassifizieren (oder die Fehlergrenze zu markieren). Aber nichts Online zeigt mir sogar, wie man mit dieser Art von Datensätzen beginnt.

Beispiel für Daten-Set: (erster Wert ist Klasse, andere Werte sind Attribute)

2, 11.84, 2.89, 2.23, 18, 112, 1.72, 1.32, 0.43, 0.95, 2.65, 0.96, 2.52, 500 
3, 13.69, 3.26, 2.54, 20, 107, 1.83, 0.56, 0.5, 0.8, 5.88, 0.96, 1.82, 680 
3, 13.84, 4.12, 2.38, 19.5, 89, 1.8, 0.83, 0.48, 1.56, 9.01, 0.57, 1.64, 480 
2, 11.56, 2.05, 3.23, 28.5, 119, 3.18, 5.08, 0.47, 1.87, 6, 0.93, 3.69, 465 
1, 14.06, 1.63, 2.28, 16, 126, 3, 3.17, 0.24, 2.1, 5.65, 1.09, 3.71, 780 

Answer 1

Angenommen, Sie die Daten in einer Datei, data.txt haben. Sie können Numpy verwenden, dies zu lesen:

import numpy as np 
xy = np.loadtxt('data.txt', unpack=True, dtype='float32') 
x_data = xy[1:] 
y_data = xy[0]; 

Weitere Informationen: http://docs.scipy.org/doc/numpy-1.10.0/reference/generated/numpy.loadtxt.html

Vielleicht müssen Sie möglicherweise ‚np.transpose‘ hängt von der Form Ihrer Gewichte und Operationen.

x_data = np.transpose(xy[1:]) 

Verwenden Sie dann 'Platzhalter' und 'feed_dict' zu trainieren/testen Sie Ihr Modell:

X = tf.placeholder("float", ... 
Y = tf.placeholder("float", ... 
.... 
with tf.Session() as sess: 
.... 
     sess.run(optimizer, feed_dict={X:x_data, Y:y_data})