Copyright 2019 The TensorFlow Authors.



In [ ]:

    
#@title Licensed under the Apache License, Version 2.0 (the "License");
# you may not use this file except in compliance with the License.
# You may obtain a copy of the License at
#
# https://www.apache.org/licenses/LICENSE-2.0
#
# Unless required by applicable law or agreed to in writing, software
# distributed under the License is distributed on an "AS IS" BASIS,
# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
# See the License for the specific language governing permissions and
# limitations under the License.

Загрузите данные в формате CSV

Смотрите на TensorFlow.org

Изучайте код на GitHub

Скачайте ноутбук

Note: Вся информация в этом разделе переведена с помощью русскоговорящего Tensorflow сообщества на общественных началах. Поскольку этот перевод не является официальным, мы не гарантируем что он на 100% аккуратен и соответствует официальной документации на английском языке. Если у вас есть предложение как исправить этот перевод, мы будем очень рады увидеть pull request в tensorflow/docs репозиторий GitHub. Если вы хотите помочь сделать документацию по Tensorflow лучше (сделать сам перевод или проверить перевод подготовленный кем-то другим), напишите нам на docs-ru@tensorflow.org list.

Этот учебник приводит пример того как выгрузить данные в формате CSV из файла в tf.data.Dataset

Данные использованные в этом примере взяты из списка пассажиров Титаника. Модель предскажет вероятность спасения пассажира основываясь на таких характеристиках, как возраст, пол, класс билета и путешествовал ли пассажир один.

Установка



In [ ]:

    
import functools

import numpy as np
import tensorflow as tf



In [ ]:

    
TRAIN_DATA_URL = "https://storage.googleapis.com/tf-datasets/titanic/train.csv"
TEST_DATA_URL = "https://storage.googleapis.com/tf-datasets/titanic/eval.csv"

train_file_path = tf.keras.utils.get_file("train.csv", TRAIN_DATA_URL)
test_file_path = tf.keras.utils.get_file("eval.csv", TEST_DATA_URL)



In [ ]:

    
# Сделаем значения numpy читабельнее.
np.set_printoptions(precision=3, suppress=True)

Загрузка данных

Для начала давайте посмотрим начало CSV файла, чтобы увидеть как он отформатирован.



In [ ]:

    
!head {train_file_path}

Вы можете загрузить данные используя pandas, и передать массивы NumPy в TensorFlow. Если Вам нужно масштабироваться до большого количества файлов или нужен загрузчик который совместим с TensorFlow и tf.data то используйте функцию tf.data.experimental.make_csv_dataset:

Единственная колонка которую нужно указать явно - это та значение которой вы собиратесь предсказывать с помощью модели.



In [ ]:

    
LABEL_COLUMN = 'survived'
LABELS = [0, 1]

Сейчас прочитайте данные CSV из файла и создайте датасет.

(Для полной документации см. tf.data.experimental.make_csv_dataset)



In [ ]:

    
def get_dataset(file_path, **kwargs):
  dataset = tf.data.experimental.make_csv_dataset(
      file_path,
      batch_size=5, # Значение искусственно занижено для удобства восприятия.
      label_name=LABEL_COLUMN,
      na_value="?",
      num_epochs=1,
      ignore_errors=True, 
      **kwargs)
  return dataset

raw_train_data = get_dataset(train_file_path)
raw_test_data = get_dataset(test_file_path)



In [ ]:

    
def show_batch(dataset):
  for batch, label in dataset.take(1):
    for key, value in batch.items():
      print("{:20s}: {}".format(key,value.numpy()))

Каждый элемент в датасете это пакет представленный в виде кортежа (много примеров, много меток). Данные из примеров организованы в тензоры столбцы (а не тензоры строки), каждый с таким количеством элементов каков размер пакета (12 в этом случае).

Будет лучше увидеть это вам самим.



In [ ]:

    
show_batch(raw_train_data)

Как вы видите столбцы в CVS с именами. Конструктор датасета использует эти имена автоматически. Если файл с которым вы работаете не содержит имен столбцов в первой строке передайте их списком строк в аргумент column_names функции make_csv_dataset.



In [ ]:

    
CSV_COLUMNS = ['survived', 'sex', 'age', 'n_siblings_spouses', 'parch', 'fare', 'class', 'deck', 'embark_town', 'alone']

temp_dataset = get_dataset(train_file_path, column_names=CSV_COLUMNS)

show_batch(temp_dataset)

Этот пример будет использовать все возможные столбцы. Если не нужны некоторые столбцы в датасете, создайте список только из тех колонок, которые вы планируете использовать и передайте его в (опциональный) аргумент select_columns конструктора.



In [ ]:

    
SELECT_COLUMNS = ['survived', 'age', 'n_siblings_spouses', 'class', 'deck', 'alone']

temp_dataset = get_dataset(train_file_path, select_columns=SELECT_COLUMNS)

show_batch(temp_dataset)

Препроцессинг данных

CSV файл может содержать множество видов данных. Обычно, перед тем как передать данные в вашу модель, вы хотите преобразовать эти смешанные типы в вектор фиксированной длины.

У TensorFlow есть встроенная система для описания распространенных входных преобразований: tf.feature_column, см. этот учебник для подробностей.

Вы можете преобработать ваши данные используя любой инструмент который вам нравится (например nltk или sklearn), и просто передать обработанные данные в TensorFlow.

Главное преимущество предобработки данных внутри вашей модели это то, что когда вы экспортируете модель она включает препроцессинг. В этом случае вы можете передавать необработанные данные прямо в свою модель.

Непрерывные данные

Если ваши данные уже имеют подходящий числовой формат, вы можете упаковать данные в вектор, прежде чем передать их в модель:



In [ ]:

    
SELECT_COLUMNS = ['survived', 'age', 'n_siblings_spouses', 'parch', 'fare']
DEFAULTS = [0, 0.0, 0.0, 0.0, 0.0]
temp_dataset = get_dataset(train_file_path, 
                           select_columns=SELECT_COLUMNS,
                           column_defaults = DEFAULTS)

show_batch(temp_dataset)



In [ ]:

    
example_batch, labels_batch = next(iter(temp_dataset))

Вот простая функция которая упакует вместе все колонки:



In [ ]:

    
def pack(features, label):
  return tf.stack(list(features.values()), axis=-1), label

Примените это к каждому элементу датасета:



In [ ]:

    
packed_dataset = temp_dataset.map(pack)

for features, labels in packed_dataset.take(1):
  print(features.numpy())
  print()
  print(labels.numpy())

Если у вас смешанные типы данных, то вам может захотеться выделить эти простые числовые поля. API tf.feature_column может с этим справиться, но это повлечет за собой накладные расходы, и это стоит делать только если действительно необходимо. Вернитесь к смешанному датасету:



In [ ]:

    
show_batch(raw_train_data)



In [ ]:

    
example_batch, labels_batch = next(iter(temp_dataset))

Так что выберите более общий препроцессор который выбирает список числовых свойств и упаковывает их в одну колонку:



In [ ]:

    
class PackNumericFeatures(object):
  def __init__(self, names):
    self.names = names

  def __call__(self, features, labels):
    numeric_freatures = [features.pop(name) for name in self.names]
    numeric_features = [tf.cast(feat, tf.float32) for feat in numeric_freatures]
    numeric_features = tf.stack(numeric_features, axis=-1)
    features['numeric'] = numeric_features

    return features, labels



In [ ]:

    
NUMERIC_FEATURES = ['age','n_siblings_spouses','parch', 'fare']

packed_train_data = raw_train_data.map(
    PackNumericFeatures(NUMERIC_FEATURES))

packed_test_data = raw_test_data.map(
    PackNumericFeatures(NUMERIC_FEATURES))



In [ ]:

    
show_batch(packed_train_data)



In [ ]:

    
example_batch, labels_batch = next(iter(packed_train_data))

Нормализация данных

Непрерывные данные должны быть всегда нормализованы.



In [ ]:

    
import pandas as pd
desc = pd.read_csv(train_file_path)[NUMERIC_FEATURES].describe()
desc



In [ ]:

    
MEAN = np.array(desc.T['mean'])
STD = np.array(desc.T['std'])



In [ ]:

    
def normalize_numeric_data(data, mean, std):
  # Центрируем данные
  return (data-mean)/std

Сейчас создайте числовой столбец. В API tf.feature_columns.numeric_column можно использовать аргумент normalizer_fn который выполнится на каждом пакете.

Добавьте MEAN и STD к normalizer fn с помощью functools.partial.



In [ ]:

    
# See what you just created.
normalizer = functools.partial(normalize_numeric_data, mean=MEAN, std=STD)

numeric_column = tf.feature_column.numeric_column('numeric', normalizer_fn=normalizer, shape=[len(NUMERIC_FEATURES)])
numeric_columns = [numeric_column]
numeric_column

Когда вы обучаете модель добавьте этот столбец признаков чтобы выбрать и центрировать блок числовых данных:



In [ ]:

    
example_batch['numeric']



In [ ]:

    
numeric_layer = tf.keras.layers.DenseFeatures(numeric_columns)
numeric_layer(example_batch).numpy()

Использованная здесь нормализация на основе среднего требует предварительного знания средних значений каждого столбца.

Категорийные данные

Некоторые из столбцов в данных CSV являются категорийными. Это значит, что содержимое является одним из ограниченного числа вариантов.

Используйте tf.feature_column API чтобы создать коллекцию с tf.feature_column.indicator_column для каждого категорийного столбца.



In [ ]:

    
CATEGORIES = {
    'sex': ['male', 'female'],
    'class' : ['First', 'Second', 'Third'],
    'deck' : ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I', 'J'],
    'embark_town' : ['Cherbourg', 'Southhampton', 'Queenstown'],
    'alone' : ['y', 'n']
}



In [ ]:

    
categorical_columns = []
for feature, vocab in CATEGORIES.items():
  cat_col = tf.feature_column.categorical_column_with_vocabulary_list(
        key=feature, vocabulary_list=vocab)
  categorical_columns.append(tf.feature_column.indicator_column(cat_col))



In [ ]:

    
# Посмотрите что вы только что создали.
categorical_columns



In [ ]:

    
categorical_layer = tf.keras.layers.DenseFeatures(categorical_columns)
print(categorical_layer(example_batch).numpy()[0])

Позже, когда вы создадите модель это станет частью обработки входных данных.

Комбинированный слой предобработки

Добавьте две коллекции столбцов признаков и передайте их в tf.keras.layers.DenseFeatures чтобы создать входной слой который извлечет и предобработает оба входных типа:



In [ ]:

    
preprocessing_layer = tf.keras.layers.DenseFeatures(categorical_columns+numeric_columns)



In [ ]:

    
print(preprocessing_layer(example_batch).numpy()[0])

Постройте модель

Постройте tf.keras.Sequential начиная с препроцессингового слоя preprocessing_layer.



In [ ]:

    
model = tf.keras.Sequential([
  preprocessing_layer,
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dense(1, activation='sigmoid'),
])

model.compile(
    loss='binary_crossentropy',
    optimizer='adam',
    metrics=['accuracy'])

Обучите, оцените и предскажите

Теперь модель может быть реализована и обучена.



In [ ]:

    
train_data = packed_train_data.shuffle(500)
test_data = packed_test_data



In [ ]:

    
model.fit(train_data, epochs=20)

После того как модель обучена вы можете проверить ее точность на множестве test_data.



In [ ]:

    
test_loss, test_accuracy = model.evaluate(test_data)

print('\n\nTest Loss {}, Test Accuracy {}'.format(test_loss, test_accuracy))

Используйте tf.keras.Model.predict чтобы выводить метки на пакет или датасет пакетов.



In [ ]:

    
predictions = model.predict(test_data)

# Покажем некоторые результаты
for prediction, survived in zip(predictions[:10], list(test_data)[0][1][:10]):
  print("Predicted survival: {:.2%}".format(prediction[0]),
        " | Actual outcome: ",
        ("SURVIVED" if bool(survived) else "DIED"))