# 把所有東西結合在一起 在本節中，我們將結合到目前為止所示的所有內容，并為虹膜數據集創建分類器。 ## 做好準備 虹膜數據集在[第 1 章](../Text/0.html)，TensorFlow 入門中使用數據源秘籍中有更詳細的描述。我們將加載這些數據并制作一個簡單的二元分類器來預測花是否是 Iris setosa 的種類。需要說明的是，這個數據集有三個種類，但我們只能預測一種花是單一種，是否是一種花，給我們一個二元分類器。我們將首先加載庫和數據，然后相應地轉換目標。 ## 操作步驟 我們按如下方式處理秘籍： 1. 首先，我們加載所需的庫并初始化計算圖。注意我們也在這里加載`matplotlib`，因為我們想在之后繪制結果行： ```py import matplotlib.pyplot as plt import numpy as np from sklearn import datasets import tensorflow as tf sess = tf.Session() ``` 1. 接下來，我們加載虹膜數據。我們還需要將目標數據轉換為 1 或 0，無論目標是否為 setosa。由于虹膜數據集將 setosa 標記為 0，我們將更改所有目標，值為 0 到 1，其他值全部為 0.我們也將只使用兩個特征，花瓣長度和花瓣寬度。這兩個特征是每個`x-value`中的第三和第四個條目： ```py iris = datasets.load_iris() binary_target = np.array([1\. if x==0 else 0\. for x in iris.target]) iris_2d = np.array([[x[2], x[3]] for x in iris.data]) ``` 1. 讓我們聲明我們的批量大小，數據占位符和模型變量。請記住，可變批量大小的數據占位符將`None`作為第一個維度： ```py batch_size = 20 x1_data = tf.placeholder(shape=[None, 1], dtype=tf.float32) x2_data = tf.placeholder(shape=[None, 1], dtype=tf.float32) y_target = tf.placeholder(shape=[None, 1], dtype=tf.float32) A = tf.Variable(tf.random_normal(shape=[1, 1])) b = tf.Variable(tf.random_normal(shape=[1, 1])) ``` > 請注意，我們可以通過使用`dtype=tf.float32`來減少浮點數的字節來提高算法的表現（速度）。 1. 在這里，我們定義線性模型。模型將采用`x2 = x1 * A + b`的形式，如果我們想要找到該行上方或下方的點，我們會在插入等式`x2 - x1 * A - b`時看到它們是高于還是低于零。我們將通過取該方程的 sigmoid 并從該方程預測 1 或 0 來實現。請記住，TensorFlow 具有內置 sigmoid 的`loss`函數，因此我們只需要在 sigmoid 函數之前定義模型的輸出： ```py my_mult = tf.matmul(x2_data, A) my_add = tf.add(my_mult, b) my_output = tf.sub(x1_data, my_add) ``` 1. 現在，我們使用 TensorFlow 的內置`sigmoid_cross_entropy_with_logits()`函數添加 sigmoid 交叉熵損失函數： ```py xentropy = tf.nn.sigmoid_cross_entropy_with_logits(my_output, y_target) ``` 1. 我們還必須告訴 TensorFlow 如何通過聲明優化方法來優化我們的計算圖。我們希望最大限度地減少交叉熵損失。我們還會選擇`0.05`作為我們的學習率： ```py my_opt = tf.train.GradientDescentOptimizer(0.05) train_step = my_opt.minimize(xentropy) ``` 1. 現在，我們創建一個變量初始化操作并告訴 TensorFlow 執行它： ```py init = tf.global_variables_initializer() sess.run(init) ``` 1. 現在，我們將訓練我們的線性模型 1000 次迭代。我們將提供我們需要的三個數據點：花瓣長度，花瓣寬度和目標變量。每 200 次迭代，我們將打印變量值： ```py for i in range(1000): rand_index = np.random.choice(len(iris_2d), size=batch_size) rand_x = iris_2d[rand_index] rand_x1 = np.array([[x[0]] for x in rand_x]) rand_x2 = np.array([[x[1]] for x in rand_x]) rand_y = np.array([[y] for y in binary_target[rand_index]]) sess.run(train_step, feed_dict={x1_data: rand_x1, x2_data: rand_x2, y_target: rand_y}) if (i + 1) % 200 == 0: print('Step #' + str(i+1) + ' A = ' + str(sess.run(A)) + ', b = ' + str(sess.run(b))) Step #200 A = [[ 8.67285347]], b = [[-3.47147632]] Step #400 A = [[ 10.25393486]], b = [[-4.62928772]] Step #600 A = [[ 11.152668]], b = [[-5.4077611]] Step #800 A = [[ 11.81016064]], b = [[-5.96689034]] Step #1000 A = [[ 12.41202831]], b = [[-6.34769201]] ``` 1. 下一組命令提取模型變量并在繪圖上繪制線條。結果繪圖在它的工作原理...部分： ```py [[slope]] = sess.run(A) [[intercept]] = sess.run(b) x = np.linspace(0, 3, num=50) ablineValues = [] for i in x: ablineValues.append(slope*i+intercept) setosa_x = [a[1] for i,a in enumerate(iris_2d) if binary_target[i]==1] setosa_y = [a[0] for i,a in enumerate(iris_2d) if binary_target[i]==1] non_setosa_x = [a[1] for i,a in enumerate(iris_2d) if binary_target[i]==0] non_setosa_y = [a[0] for i,a in enumerate(iris_2d) if binary_target[i]==0] plt.plot(setosa_x, setosa_y, 'rx', ms=10, mew=2, label='setosa') plt.plot(non_setosa_x, non_setosa_y, 'ro', label='Non-setosa') plt.plot(x, ablineValues, 'b-') plt.xlim([0.0, 2.7]) plt.ylim([0.0, 7.1]) plt.suptitle('Linear' Separator For I.setosa', fontsize=20) plt.xlabel('Petal Length') plt.ylabel('Petal Width') plt.legend(loc='lower right') plt.show() ``` ## 工作原理 我們的目標是僅使用花瓣寬度和花瓣長度在 I. setosa 點和其他兩個物種之間擬合一條線。如果我們繪制點和結果線，我們看到我們已經實現了這個：  圖 7：花瓣寬度與花瓣長度的 I. setosa 和 non-setosa 的圖;實線是我們在 1000 次迭代后實現的線性分離器 ## 更多 雖然我們實現了用一條線分隔兩個類的目標，但它可能不是分離兩個類的最佳模型。在[第 4 章](http://Support%20Vector%20Machines)，支持向量機中，我們將討論支持向量機，它是在特征空間中分離兩個類的更好方法。 ## 另見 * 有關 scikit-learn iris 數據集實現的信息，請參閱 [http://scikit-learn.org/stable/auto_examples/datasets/plot_iris_dataset.html](http://scikit-learn.org/stable/auto_examples/datasets/plot_iris_dataset.html) 上的文檔。