AIA （AI Adventures）系列現(xiàn)在已經(jīng)進入第六期了。前幾期分享當中，Yufeng 介紹了機器學習的核心概念、基本邏輯，也介紹了要進行機器學習需要經(jīng)過哪些步驟，并根據(jù)這些基本知識嘗試使用線性評估器 API 打造了鳶尾花分類模型，還介紹了如何用 TensorBoard 將模型可視化分析。今天的分享中，他會帶領(lǐng)我們一起把線性鳶尾花分類模型轉(zhuǎn)換為深度神經(jīng)網(wǎng)絡結(jié)構(gòu)。

在這一期的Cloud AI Adventures里，我們將會學習怎樣用深度神經(jīng)網(wǎng)絡替換線性模型，從而適應日益復雜的數(shù)據(jù)集訓練任務。

隨著線性模型中特征列數(shù)量的增加，進而特征列之間的關(guān)系變得越來越復雜，在訓練中提高精確度也越來越困難。這是一個眾人皆知的問題，而數(shù)據(jù)科學家們解決它的一個有效辦法就是轉(zhuǎn)為使用深度神經(jīng)網(wǎng)絡。

為什么叫深度？

深度神經(jīng)網(wǎng)絡可以應對更復雜的數(shù)據(jù)集，并充分利用其多層結(jié)構(gòu)來更好地概括出未知的數(shù)據(jù)，故而稱其為「深度」。多層次的結(jié)構(gòu)使其相比線性模型能夠容納更多的數(shù)據(jù)。不過代價就是要花費更長的訓練時間，并且模型體積也更龐大，可解釋性也更差。那么人們?yōu)槭裁催€這么中意它呢？因為它往往能夠提升到更高的精度。

深度學習，有如山林漫步，難尋蹊徑

關(guān)于深度學習，有那么一件頗具技巧的事，那就是把所有參數(shù)都調(diào)校得「恰到好處」。超大的數(shù)據(jù)集規(guī)模決定了調(diào)優(yōu)過程差不多是無窮無盡的。不過，TensorFlow 內(nèi)置的 DeepClassifier 和 Regresser 類提供了一些你能隨時使用的默認值，他們能讓你的訓練準備工作又快又輕松。

從線性訓練到深度學習

下面舉個例子來展示如何將早前我們的線性鳶尾花辨識模型轉(zhuǎn)為深度神經(jīng)網(wǎng)絡（也就是人們常說的 DNN）。

當然， 我們不是要展示 DNN 能處理的 2000 列特征值模型，而是僅僅使用本系列貫穿始終的 4 列特征值。（要么火力全開，要么幾乎用不到，哈哈哈）其實它們背后的原理都是一樣的。

最主要的變化就是把 LinearClassifier 類換成 DNNClassifier 類。 這一更改會為我們創(chuàng)建一個深度神經(jīng)網(wǎng)絡。

用 DNNClassifier 類替換 LinearClassifier 類

其他變化

其實其他部分幾乎沒有變動！只是 DNN 多了個之前我們沒有用到的參數(shù)。由于 DNN 的多層結(jié)構(gòu)，而每一層可能有各不相同的結(jié)點數(shù)目，所以還需要在實例化時加上 hidden_units 參數(shù)。

加上 hidden_units 參數(shù)把所有東西都整合起來

這個 hidden_units 參數(shù)讓你為模型的每一層指定具體的結(jié)點數(shù)目。也就是讓你決定模型的大小和形狀，而不需要從頭開始手動把所有東西都連接起來。

改變模型的參數(shù)配置也就是一行變更的事兒

更多選項

對于任何預知的體系，自定義性和便利性往往不可兼得， DNNClassifier 嘗試給開發(fā)者提供額外的參數(shù)以繞過這個局限。如果留空了，就會由一些合理的默認值來填補空缺。比如優(yōu)化器、激活函數(shù)、淘汰率等等都是可以自定義的。

沒錯，有這么個激活函數(shù)就叫「ELU」

再沒有什么其他變化了

還有其他要改變的嗎？沒了！這就是使用Estimators 框架的優(yōu)勢：用通用的方法來組織數(shù)據(jù)、訓練、評價、導出模型，同時還能讓你用不同的模型和參數(shù)來訓練。

了解 Estimators 框架：

https://tensorflow.google.cn/api_docs/python/tf/estimator

輕松切入深度學習

又是，深度神經(jīng)網(wǎng)絡比線性模型要更加高效。在這些情況下，TensorFlow 用「只替換一處函數(shù)調(diào)用」這種少量編碼即可切換模型種類的方式，讓一切更加簡單。此后，你會有更多的時間精力來處理數(shù)據(jù)、模型和參數(shù)，而不是費時管理訓練的循環(huán)迭代。用TensorFlow Estimators來獲得更輕松的 DNN 訓練體驗吧！