使用數據集的TensorFlow分類

我需要使用TensorFlow作爲項目，根據項目的屬性將項目分類到某個類別（1,2或3）。使用數據集的TensorFlow分類

唯一的問題是幾乎每個TF教程或我在網上找到的例子都是關於圖像識別或文本分類。我找不到任何有關基於數字的分類。我想我要求的是從哪裏開始。如果有人知道一個相關的例子，或者如果我只是想這完全錯了。

我們給出了每個項目的13個屬性，並且需要使用TF神經網絡對每個項目進行正確分類（或標記誤差邊界）。但是網上沒有任何內容顯示我如何從這種數據集開始。數據集的

實施例：（第一值是類，其它的值屬性）

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

來源

2016-04-18 cclloyd

在非convnets圖像實際上只是一個數字列表，所以你可以用它作爲起點。 – etarion

假設在一個文件中的數據，data.txt中。您可以使用numpy的閱讀本：

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

也許，你可能需要「np.transpose」取決於你的重量和操作的形狀。

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

然後，使用「佔位符」和「feed_dict」訓練/測試模式：（在TF的基本MNIST例子等）

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

來源

2016-04-19 04:00:20

使用數據集的TensorFlow分類

回答

相關問題