Загрузите данные в формате CSV

Смотрите на TensorFlow.org Запустите в Google Colab Изучайте код на GitHub Скачайте ноутбук

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


from __future__ import absolute_import, division, print_function, unicode_literals
import functools

import numpy as np
import tensorflow as tf
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)
Downloading data from https://storage.googleapis.com/tf-datasets/titanic/train.csv
32768/30874 [===============================] - 0s 0us/step
Downloading data from https://storage.googleapis.com/tf-datasets/titanic/eval.csv
16384/13049 [=====================================] - 0s 0us/step
# 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.

!head {train_file_path}
survived,sex,age,n_siblings_spouses,parch,fare,class,deck,embark_town,alone
0,male,22.0,1,0,7.25,Third,unknown,Southampton,n
1,female,38.0,1,0,71.2833,First,C,Cherbourg,n
1,female,26.0,0,0,7.925,Third,unknown,Southampton,y
1,female,35.0,1,0,53.1,First,C,Southampton,n
0,male,28.0,0,0,8.4583,Third,unknown,Queenstown,y
0,male,2.0,3,1,21.075,Third,unknown,Southampton,n
1,female,27.0,0,2,11.1333,Third,unknown,Southampton,n
1,female,14.0,1,0,30.0708,Second,unknown,Cherbourg,n
1,female,4.0,1,1,16.7,Third,G,Southampton,n

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.

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)

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)
WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.5/site-packages/tensorflow_core/python/data/experimental/ops/readers.py:521: parallel_interleave (from tensorflow.python.data.experimental.ops.interleave_ops) is deprecated and will be removed in a future version.
Instructions for updating:
Use `tf.data.Dataset.interleave(map_func, cycle_length, block_length, num_parallel_calls=tf.data.experimental.AUTOTUNE)` instead. If sloppy execution is desired, use `tf.data.Options.experimental_determinstic`.
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.

show_batch(raw_train_data)
sex                 : [b'male' b'female' b'female' b'female' b'male']
age                 : [46. 15. 53. 49. 28.]
n_siblings_spouses  : [0 1 2 1 0]
parch               : [0 0 0 0 0]
fare                : [79.2   14.454 51.479 76.729  8.05 ]
class               : [b'First' b'Third' b'First' b'First' b'Third']
deck                : [b'B' b'unknown' b'C' b'D' b'unknown']
embark_town         : [b'Cherbourg' b'Cherbourg' b'Southampton' b'Cherbourg' b'Southampton']
alone               : [b'y' b'n' b'n' b'n' b'y']

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.

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)
sex                 : [b'male' b'female' b'male' b'male' b'female']
age                 : [50. 28. 16. 28. 35.]
n_siblings_spouses  : [0 8 1 0 1]
parch               : [0 2 3 0 0]
fare                : [13.    69.55  34.375  8.05  53.1  ]
class               : [b'Second' b'Third' b'Third' b'Third' b'First']
deck                : [b'unknown' b'unknown' b'unknown' b'unknown' b'C']
embark_town         : [b'Southampton' b'Southampton' b'Southampton' b'Southampton'
 b'Southampton']
alone               : [b'y' b'n' b'n' b'y' b'n']

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.

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)
age                 : [51. 17. 23. 49. 22.]
n_siblings_spouses  : [0 1 0 1 1]
class               : [b'Third' b'First' b'Second' b'First' b'Second']
deck                : [b'unknown' b'B' b'unknown' b'A' b'unknown']
alone               : [b'y' b'n' b'y' b'n' b'n']

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:

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)
age                 : [41. 28. 17.  9. 40.]
n_siblings_spouses  : [0. 3. 1. 1. 1.]
parch               : [2. 1. 1. 1. 1.]
fare                : [20.212 25.467  7.229 15.9   39.   ]
example_batch, labels_batch = next(iter(temp_dataset)) 

Вот простая функция которая упакует вместе все колонки:

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

Примените это к каждому элементу датасета:

packed_dataset = temp_dataset.map(pack)

for features, labels in packed_dataset.take(1):
  print(features.numpy())
  print()
  print(labels.numpy())
[[50.     0.     0.    10.5  ]
 [49.     1.     0.    89.104]
 [17.     0.     0.     7.125]
 [50.     0.     0.    13.   ]
 [28.     0.     0.     7.896]]

[1 1 0 0 0]

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:

show_batch(raw_train_data)
sex                 : [b'male' b'male' b'male' b'male' b'male']
age                 : [66. 11. 28. 40. 49.]
n_siblings_spouses  : [0 0 0 0 1]
parch               : [0 0 0 0 0]
fare                : [10.5   18.788  7.896  7.896 56.929]
class               : [b'Second' b'Third' b'Third' b'Third' b'First']
deck                : [b'unknown' b'unknown' b'unknown' b'unknown' b'A']
embark_town         : [b'Southampton' b'Cherbourg' b'Southampton' b'Southampton' b'Cherbourg']
alone               : [b'y' b'y' b'y' b'y' b'n']
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:

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
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))
show_batch(packed_train_data)
sex                 : [b'male' b'male' b'male' b'female' b'female']
class               : [b'First' b'Third' b'Third' b'Third' b'First']
deck                : [b'B' b'unknown' b'unknown' b'unknown' b'C']
embark_town         : [b'Southampton' b'Southampton' b'Southampton' b'Southampton'
 b'Southampton']
alone               : [b'y' b'y' b'y' b'y' b'n']
numeric             : [[28.     0.     0.     0.   ]
 [32.     0.     0.    56.496]
 [28.     0.     0.     9.5  ]
 [37.     0.     0.     9.587]
 [35.     1.     0.    90.   ]]
example_batch, labels_batch = next(iter(packed_train_data)) 

Нормализация данных

Непрерывные данные должны быть всегда нормализованы.

import pandas as pd
desc = pd.read_csv(train_file_path)[NUMERIC_FEATURES].describe()
desc
MEAN = np.array(desc.T['mean'])
STD = np.array(desc.T['std'])
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.

# 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
NumericColumn(key='numeric', shape=(4,), default_value=None, dtype=tf.float32, normalizer_fn=functools.partial(<function normalize_numeric_data at 0x7f64765aee18>, mean=array([29.631,  0.545,  0.38 , 34.385]), std=array([12.512,  1.151,  0.793, 54.598])))

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

example_batch['numeric']
<tf.Tensor: id=550, shape=(5, 4), dtype=float32, numpy=
array([[ 28.   ,   0.   ,   0.   ,   7.896],
       [ 28.   ,   0.   ,   0.   ,   0.   ],
       [ 61.   ,   0.   ,   0.   ,   6.238],
       [ 28.   ,   1.   ,   0.   ,  24.15 ],
       [ 27.   ,   0.   ,   2.   , 211.5  ]], dtype=float32)>
numeric_layer = tf.keras.layers.DenseFeatures(numeric_columns)
numeric_layer(example_batch).numpy()
array([[-0.13 , -0.474, -0.479, -0.485],
       [-0.13 , -0.474, -0.479, -0.63 ],
       [ 2.507, -0.474, -0.479, -0.516],
       [-0.13 ,  0.395, -0.479, -0.187],
       [-0.21 , -0.474,  2.043,  3.244]], dtype=float32)

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.

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']
}

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))
# Посмотрите что вы только что создали.
categorical_columns
[IndicatorColumn(categorical_column=VocabularyListCategoricalColumn(key='sex', vocabulary_list=('male', 'female'), dtype=tf.string, default_value=-1, num_oov_buckets=0)),
 IndicatorColumn(categorical_column=VocabularyListCategoricalColumn(key='alone', vocabulary_list=('y', 'n'), dtype=tf.string, default_value=-1, num_oov_buckets=0)),
 IndicatorColumn(categorical_column=VocabularyListCategoricalColumn(key='embark_town', vocabulary_list=('Cherbourg', 'Southhampton', 'Queenstown'), dtype=tf.string, default_value=-1, num_oov_buckets=0)),
 IndicatorColumn(categorical_column=VocabularyListCategoricalColumn(key='class', vocabulary_list=('First', 'Second', 'Third'), dtype=tf.string, default_value=-1, num_oov_buckets=0)),
 IndicatorColumn(categorical_column=VocabularyListCategoricalColumn(key='deck', vocabulary_list=('A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I', 'J'), dtype=tf.string, default_value=-1, num_oov_buckets=0))]
categorical_layer = tf.keras.layers.DenseFeatures(categorical_columns)
print(categorical_layer(example_batch).numpy()[0])
WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.5/site-packages/tensorflow_core/python/feature_column/feature_column_v2.py:4273: IndicatorColumn._variable_shape (from tensorflow.python.feature_column.feature_column_v2) is deprecated and will be removed in a future version.
Instructions for updating:
The old _FeatureColumn APIs are being deprecated. Please use the new FeatureColumn APIs instead.
WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.5/site-packages/tensorflow_core/python/feature_column/feature_column_v2.py:4328: VocabularyListCategoricalColumn._num_buckets (from tensorflow.python.feature_column.feature_column_v2) is deprecated and will be removed in a future version.
Instructions for updating:
The old _FeatureColumn APIs are being deprecated. Please use the new FeatureColumn APIs instead.
[1. 0. 0. 0. 1. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 1. 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:

preprocessing_layer = tf.keras.layers.DenseFeatures(categorical_columns+numeric_columns)
print(preprocessing_layer(example_batch).numpy()[0])
[ 1.     0.     0.     0.     1.     0.     0.     0.     0.     0.
  0.     0.     0.     0.     0.     0.     0.     0.    -0.13  -0.474
 -0.479 -0.485  1.     0.   ]

Постройте модель

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

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.

train_data = packed_train_data.shuffle(500)
test_data = packed_test_data
model.fit(train_data, epochs=20)
Epoch 1/20
WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.5/site-packages/tensorflow_core/python/ops/nn_impl.py:183: where (from tensorflow.python.ops.array_ops) is deprecated and will be removed in a future version.
Instructions for updating:
Use tf.where in 2.0, which has the same broadcast rule as np.where
126/126 [==============================] - 2s 14ms/step - loss: 0.5163 - accuracy: 0.7671
Epoch 2/20
126/126 [==============================] - 0s 4ms/step - loss: 0.4267 - accuracy: 0.8038
Epoch 3/20
126/126 [==============================] - 0s 4ms/step - loss: 0.4038 - accuracy: 0.8278
Epoch 4/20
126/126 [==============================] - 0s 4ms/step - loss: 0.4014 - accuracy: 0.8309
Epoch 5/20
126/126 [==============================] - 0s 4ms/step - loss: 0.3831 - accuracy: 0.8325
Epoch 6/20
126/126 [==============================] - 0s 4ms/step - loss: 0.3708 - accuracy: 0.8357
Epoch 7/20
126/126 [==============================] - 1s 4ms/step - loss: 0.3660 - accuracy: 0.8405
Epoch 8/20
126/126 [==============================] - 0s 4ms/step - loss: 0.3554 - accuracy: 0.8533
Epoch 9/20
126/126 [==============================] - 0s 4ms/step - loss: 0.3597 - accuracy: 0.8517
Epoch 10/20
126/126 [==============================] - 1s 4ms/step - loss: 0.3509 - accuracy: 0.8533
Epoch 11/20
126/126 [==============================] - 1s 4ms/step - loss: 0.3434 - accuracy: 0.8549
Epoch 12/20
126/126 [==============================] - 1s 4ms/step - loss: 0.3452 - accuracy: 0.8453
Epoch 13/20
126/126 [==============================] - 1s 4ms/step - loss: 0.3399 - accuracy: 0.8517
Epoch 14/20
126/126 [==============================] - 1s 4ms/step - loss: 0.3395 - accuracy: 0.8533
Epoch 15/20
126/126 [==============================] - 1s 4ms/step - loss: 0.3339 - accuracy: 0.8628
Epoch 16/20
126/126 [==============================] - 1s 5ms/step - loss: 0.3228 - accuracy: 0.8612
Epoch 17/20
126/126 [==============================] - 1s 4ms/step - loss: 0.3229 - accuracy: 0.8676
Epoch 18/20
126/126 [==============================] - 1s 5ms/step - loss: 0.3205 - accuracy: 0.8692
Epoch 19/20
126/126 [==============================] - 1s 4ms/step - loss: 0.3219 - accuracy: 0.8676
Epoch 20/20
126/126 [==============================] - 1s 4ms/step - loss: 0.3202 - accuracy: 0.8628

<tensorflow.python.keras.callbacks.History at 0x7f6476571cc0>

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

test_loss, test_accuracy = model.evaluate(test_data)

print('\n\nTest Loss {}, Test Accuracy {}'.format(test_loss, test_accuracy))
53/53 [==============================] - 0s 8ms/step - loss: 0.4566 - accuracy: 0.8182


Test Loss 0.45657205722242034, Test Accuracy 0.8181818127632141

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

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"))
Predicted survival: 63.62%  | Actual outcome:  DIED
Predicted survival: 40.80%  | Actual outcome:  DIED
Predicted survival: 46.05%  | Actual outcome:  SURVIVED
Predicted survival: 11.03%  | Actual outcome:  DIED
Predicted survival: 97.91%  | Actual outcome:  DIED