以客戶流失數(shù)據(jù)為例，看 Tensorflow 2.0 版本如何幫助我們快速構建表格（結構化）數(shù)據(jù)的神經(jīng)網(wǎng)絡分類模型。

變化

表格數(shù)據(jù)，你應該并不陌生。畢竟， Excel 這東西在咱們平時的工作和學習中，還是挺常見的。

在之前的教程里，我為你分享過，如何利用深度神經(jīng)網(wǎng)絡，鎖定即將流失的客戶。里面用到的，就是這樣的表格數(shù)據(jù)。

時間過得真快，距離寫作那篇教程，已經(jīng)一年半了。

這段時間里，出現(xiàn)了2個重要的變化，使我覺得有必要重新來跟你談談這個話題。

這兩個變化分別是：

首先，tflearn 框架的開發(fā)已經(jīng)不再活躍。

tflearn 是當時教程中我們使用的高階深度學習框架，它基于 Tensorflow 之上，包裹了大量的細節(jié)，讓用戶可以非常方便地搭建自己的模型。

但是，由于 Tensorflow 選擇擁抱了它的競爭者 Keras ，導致后者的競爭優(yōu)勢凸顯。

對比二者獲得的星數(shù)，已經(jīng)不在同一量級。

觀察更新時間，tflearn 已經(jīng)幾個月沒有動靜；而 Keras 幾個小時之前，還有更新。

我們選擇免費開源框架，一定要使用開發(fā)活躍、社區(qū)支持完善的。只有這樣，遇到問題才能更低成本、高效率地解決。

看過我的《Python編程遇問題，文科生怎么辦？》一文之后，你對上述結論，應該不陌生。

另一項新變化，是 Tensorflow 發(fā)布了 2.0 版本。

相對 1.X 版本，這個大版本的變化，我在《如何用 Python 和 BERT 做中文文本二元分類？》一文中，已經(jīng)粗略地為你介紹過了。簡要提煉一下，就是：

之前的版本，以計算圖為中心。開發(fā)者需要為這張圖服務。因此，引入了大量的不必要術語。新版本以人為中心，用戶撰寫高階的簡潔語句，框架自動將其轉(zhuǎn)化為對應的計算圖。

之前的版本，缺少目前競爭框架（如 PyTorch 等）包含的新特性。例如計算圖動態(tài)化、運行中調(diào)試功能等。

但對普通開發(fā)者來說，最為重要的是，官方文檔和教程變得對用戶友好許多。不僅寫得清晰簡明，更靠著 Google Colab 的支持，全都能一鍵運行。我嘗試了 2.0 版本的一些教程樣例，確實感覺大不一樣了。

其實你可能會覺得奇怪—— Tensorflow 大張旗鼓宣傳的大版本改進，其實也無非就是向著 PyTorch 早就有的功能靠攏而已嘛。那我干脆去學 PyTorch 好了！

如果我們只說道理，這其實沒錯。然而，還是前面那個論斷，一個框架好不好，主要看是否開發(fā)活躍、社區(qū)支持完善。這就是一個自證預言。一旦人們都覺得 Tensorflow 好用，那么 Tensorflow 就會更好用。因為會有更多的人參與進來，幫助反饋和改進。

看看現(xiàn)在 PyTorch 的 Github 頁面。

受關注度，確實已經(jīng)很高了。

然而你再看看 Tensorflow 的。

至少在目前，二者根本不在一個數(shù)量級。

Tensorflow 的威力，不只在于本身構建和訓練模型是不是好用。那其實只是深度學習中，非常小的一個環(huán)節(jié)。不信？你在下圖里找找看。

真正的問題，在于是否有完整的生態(tài)環(huán)境支持。其中的邏輯，我在《學 Python ，能提升你的競爭力嗎？》一文中，已經(jīng)為你詳細分析過了。

而 Tensorflow ，早就通過一系列的布局，使得其訓練模型可以直接快速部署，最快速度鋪開，幫助開發(fā)者占領市場先機。

如果你使用 PyTorch ，那么這樣的系統(tǒng)，是相對不完善的。當然你可以在 PyTorch 中訓練，然后轉(zhuǎn)換并且部署到 Tensorflow 里面。畢竟三巨頭達成了協(xié)議，標準開放，這樣做從技術上并不困難。

但是，人的認知帶寬，是非常有限的。大部分人，是不會選擇在兩個框架甚至生態(tài)系統(tǒng)之間折騰的。這就是路徑依賴。

所以，別左顧右盼了，認認真真學 Tensorflow 2.0 吧。

這篇文章里面，我給你介紹，如何用 Tensorflow 2.0 ，來訓練神經(jīng)網(wǎng)絡，對用戶流失數(shù)據(jù)建立分類模型，從而可以幫你見微知著，洞察風險，提前做好干預和防范。

數(shù)據(jù)

你手里擁有的，是一份銀行歐洲區(qū)客戶的數(shù)據(jù)，共有10000條記錄?？蛻糁饕植荚诜▏?、德國和西班牙。

數(shù)據(jù)來自于匿名化處理后的真實數(shù)據(jù)集，下載自 superdatascience 官網(wǎng)。

從表格中，可以讀取的信息，包括客戶們的年齡、性別、信用分數(shù)、辦卡信息等?？蛻羰欠褚蚜魇У男畔⒃谧詈笠涣校‥xited）。

這份數(shù)據(jù)，我已經(jīng)上傳到了這個地址，你可以下載，并且用 Excel 查看。

環(huán)境

本文的配套源代碼，我放在了這個 Github 項目中。請你點擊這個鏈接（http:///EXffmgX）訪問。

如果你對我的教程滿意，歡迎在頁面右上方的 Star 上點擊一下，幫我加一顆星。謝謝！

注意這個頁面的中央，有個按鈕，寫著“在 Colab 打開” (Open in Colab)。請你點擊它。

然后，Google Colab 就會自動開啟。

我建議你點一下上圖中紅色圈出的 “COPY TO DRIVE” 按鈕。這樣就可以先把它在你自己的 Google Drive 中存好，以便使用和回顧。

Colab 為你提供了全套的運行環(huán)境。你只需要依次執(zhí)行代碼，就可以復現(xiàn)本教程的運行結果了。

如果你對 Google Colab 不熟悉，沒關系。我這里有一篇教程，專門講解 Google Colab 的特點與使用方式。

為了你能夠更為深入地學習與了解代碼，我建議你在 Google Colab 中開啟一個全新的 Notebook ，并且根據(jù)下文，依次輸入代碼并運行。在此過程中，充分理解代碼的含義。

這種看似笨拙的方式，其實是學習的有效路徑。

代碼

首先，我們下載客戶流失數(shù)據(jù)集。

載入 Pandas 數(shù)據(jù)分析包。

import pandas as pd

利用 read_csv 函數(shù)，讀取 csv 格式數(shù)據(jù)到 Pandas 數(shù)據(jù)框。

我們來看看前幾行顯示結果：

df.head()

顯示正常。下面看看一共都有哪些列。

我們對所有列，一一甄別。

• RowNumber：行號，這個對于模型沒用，忽略

• CustomerID：用戶編號，這個是順序發(fā)放的，忽略

• Surname：用戶姓名，對流失沒有影響，忽略

• CreditScore：信用分數(shù)，這個很重要，保留

• Geography：用戶所在國家/地區(qū)，這個有影響，保留

• Gender：用戶性別，可能有影響，保留

• Age：年齡，影響很大，年輕人更容易切換銀行，保留

• Tenure：當了本銀行多少年用戶，很重要，保留

• Balance：存貸款情況，很重要，保留

• NumOfProducts：使用產(chǎn)品數(shù)量，很重要，保留

• HasCrCard：是否有本行信用卡，很重要，保留

• IsActiveMember：是否活躍用戶，很重要，保留

• EstimatedSalary：估計收入，很重要，保留

• Exited：是否已流失，這將作為我們的標簽數(shù)據(jù)

確定了不同列的含義和價值，下面我們處理起來，就得心應手了。

數(shù)據(jù)有了，我們來調(diào)入深度學習框架。

因為本次我們需要使用 Tensorflow 2.0 ，而寫作本文時，該框架版本尚處于 Alpha 階段，因此 Google Colab 默認使用的，還是 Tensorflow 1.X 版本。要用 2.0 版，便需要顯式安裝。

!pip install -q tensorflow==2.0.0-alpha0

安裝框架后，我們載入下述模塊和函數(shù)，后文會用到。

這里，我們設定一些隨機種子值。這主要是為了保證結果可復現(xiàn)，也就是在你那邊的運行結果，和我這里盡量保持一致。這樣我們觀察和討論問題，會更方便。

首先是 Tensorflow 中的隨機種子取值，設定為 1 。

tf.random.set_seed(1)

然后我們來分割數(shù)據(jù)。這里使用的是 Scikit-learn 中的 train_test_split 函數(shù)。指定分割比例即可。

我們先按照 80:20 的比例，把總體數(shù)據(jù)分成訓練集和測試集。

然后，再把現(xiàn)有訓練集的數(shù)據(jù)，按照 80:20 的比例，分成最終的訓練集，以及驗證集。

train, valid = train_test_split(train, test_size=0.2, random_state=1)

這里，我們都指定了 random_state ，為的是保證咱們隨機分割的結果一致。

我們看看幾個不同集合的長度。

驗證無誤。下面我們來做特征工程（feature engineering）。

因為我們使用的是表格數(shù)據(jù)（tabular data），屬于結構化數(shù)據(jù)。因此特征工程相對簡單一些。

先初始化一個空的特征列表。

feature_columns = []

然后，我們指定，哪些列是數(shù)值型數(shù)據(jù)（numeric data）。

可見，包含了以下列：

• CreditScore：信用分數(shù)

• Age：年齡

• Tenure：當了本銀行多少年用戶

• Balance：存貸款情況

• NumOfProducts：使用產(chǎn)品數(shù)量

• EstimatedSalary：估計收入

對于這些列，只需要直接指定類型，加入咱們的特征列表就好。

for header in numeric_columns:
  feature_columns.append(feature_column.numeric_column(header))

下面是比較講究技巧的部分了，就是類別數(shù)據(jù)。

先看看都有哪些列：

• Geography：用戶所在國家/地區(qū)

• Gender：用戶性別

• HasCrCard：是否有本行信用卡

• IsActiveMember：是否活躍用戶

類別數(shù)據(jù)的特點，在于不能直接用數(shù)字描述。例如 Geography 包含了國家/地區(qū)名稱。如果你把法國指定為1， 德國指定為2，電腦可能自作聰明，認為“德國”是“法國”的2倍，或者，“德國”等于“法國”加1。這顯然不是我們想要表達的。

所以我這里編了一個函數(shù)，把一個類別列名輸入進去，讓 Tensorflow 幫我們將其轉(zhuǎn)換成它可以識別的類別形式。例如把法國按照 [0, 0, 1]，德國按照 [0, 1, 0] 來表示。這樣就不會有數(shù)值意義上的歧義了。

def get_one_hot_from_categorical(colname):
  categorical = feature_column.categorical_column_with_vocabulary_list(colname, train[colname].unique().tolist())
  return feature_column.indicator_column(categorical)

我們嘗試輸入 Geography 一項，測試一下函數(shù)工作是否正常。

觀察結果，測試通過。

下面我們放心大膽地把所有類別數(shù)據(jù)列都在函數(shù)里面跑一遍，并且把結果加入到特征列表中。

for col in categorical_columns:
  feature_columns.append(get_one_hot_from_categorical(col))

看看此時的特征列表內(nèi)容：

6個數(shù)值類型，4個類別類型，都沒問題了。

下面該構造模型了。

我們直接采用 Tensorflow 2.0 鼓勵開發(fā)者使用的 Keras 高級 API 來拼搭一個簡單的深度神經(jīng)網(wǎng)絡模型。

from tensorflow.keras import layers

我們把剛剛整理好的特征列表，利用 DenseFeatures 層來表示。把這樣的一個初始層，作為模型的整體輸入層。

下面，我們順序疊放兩個中間層，分別包含200個，以及100個神經(jīng)元。這兩層的激活函數(shù)，我們都采用 relu 。

relu 函數(shù)大概長這個樣子：

model = keras.Sequential([
  feature_layer,
  layers.Dense(200, activation='relu'),
  layers.Dense(100, activation='relu'),
  layers.Dense(1, activation='sigmoid')
])

我們希望輸出結果是0或者1，所以這一層只需要1個神經(jīng)元，而且采用的是 sigmoid 作為激活函數(shù)。

sigmoid 函數(shù)的長相是這樣的：

模型搭建好了，下面我們指定3個重要參數(shù)，編譯模型。

這里，我們選擇優(yōu)化器為 adam 。

因為評判二元分類效果，所以損失函數(shù)選的是 binary_crossentropy。

至于效果指標，我們使用的是準確率（accuracy）。

模型編譯好之后。萬事俱備，只差數(shù)據(jù)了。

你可能納悶，一上來不就已經(jīng)把訓練、驗證和測試集分好了嗎？

沒錯，但那只是原始數(shù)據(jù)。我們模型需要接收的，是數(shù)據(jù)流。

在訓練和驗證過程中，數(shù)據(jù)都不是一次性灌入模型的。而是一批次一批次分別載入。每一個批次，稱作一個 batch；相應地，批次大小，叫做 batch_size 。

為了方便咱們把 Pandas 數(shù)據(jù)框中的原始數(shù)據(jù)轉(zhuǎn)換成數(shù)據(jù)流。我這里編寫了一個函數(shù)。

def df_to_tfdata(df, shuffle=True, bs=32):
  df = df.copy()
  labels = df.pop('Exited')
  ds = tf.data.Dataset.from_tensor_slices((dict(df), labels))
  if shuffle:
    ds = ds.shuffle(buffer_size=len(df), seed=1)
  ds = ds.batch(bs)
  return ds

這里首先是把數(shù)據(jù)中的標記拆分出來。然后根據(jù)把數(shù)據(jù)讀入到 ds 中。根據(jù)是否是訓練集，我們指定要不要需要打亂數(shù)據(jù)順序。然后，依據(jù) batch_size 的大小，設定批次。這樣，數(shù)據(jù)框就變成了神經(jīng)網(wǎng)絡模型喜聞樂見的數(shù)據(jù)流。

這里，只有訓練集打亂順序。因為我們希望驗證和測試集一直保持一致。只有這樣，不同參數(shù)下，對比的結果才有顯著意義。

有了模型架構，也有了數(shù)據(jù)，我們把訓練集和驗證集扔進去，讓模型嘗試擬合。這里指定了，跑5個完整輪次（epochs）。

model.fit(train_ds,
          validation_data=valid_ds,
          epochs=5)

你會看到，最終的驗證集準確率接近80%。

我們打印一下模型結構：

雖然我們的模型非常簡單，卻也依然包含了23401個參數(shù)。

下面，我們把測試集放入模型中，看看模型效果如何。

model.evaluate(test_ds)

依然，準確率接近80%。

還不錯吧？

……

真的嗎？

疑惑

如果你觀察很仔細，可能剛才已經(jīng)注意到了一個很奇特的現(xiàn)象：

訓練的過程中，除了第一個輪次外，其余4個輪次的這幾項重要指標居然都沒變！

它們包括：

• 訓練集損失

• 訓練集準確率

• 驗證集損失

• 驗證集準確率

所謂機器學習，就是不斷迭代改進啊。如果每一輪下來，結果都一模一樣，這難道不奇怪嗎？難道沒問題嗎？

我希望你，能夠像偵探一樣，揪住這個可疑的線索，深入挖掘進去。

這里，我給你個提示。

看一個分類模型的好壞，不能只看準確率（accuracy）。對于二元分類問題，你可以關注一下 f1 score，以及混淆矩陣（confusion matrix）。

如果你驗證了上述兩個指標，那么你應該會發(fā)現(xiàn)真正的問題是什么。

下一步要窮究的，是問題產(chǎn)生的原因。

回顧一下咱們的整個兒過程，好像都很清晰明了，符合邏輯啊。究竟哪里出了問題呢？

如果你一眼就看出了問題。恭喜你，你對深度學習已經(jīng)有感覺了。那么我繼續(xù)追問你，該怎么解決這個問題呢？

歡迎你把思考后的答案在留言區(qū)告訴我。

對于第一名全部回答正確上述問題的讀者，我會邀請你作為嘉賓，免費（原價199元）加入我本年度的知識星球。當然，前提是你愿意。

小結

希望通過本文的學習，你已掌握了以下知識點：

1. Tensorflow 2.0 的安裝與使用；

2. 表格式數(shù)據(jù)的神經(jīng)網(wǎng)絡分類模型構建；

3. 特征工程的基本流程；

4. 數(shù)據(jù)集合的隨機分割與利用種子數(shù)值保持一致；

5. 數(shù)值型數(shù)據(jù)列與類別型數(shù)據(jù)列的分別處理方式；

6. Keras 高階 API 的模型搭建與訓練；

7. 數(shù)據(jù)框轉(zhuǎn)化為 Tensorflow 數(shù)據(jù)流；

8. 模型效果的驗證；

9. 缺失的一環(huán)，也即本文疑點產(chǎn)生的原因，以及正確處理方法。

希望本教程對于你處理表格型數(shù)據(jù)分類任務，能有幫助。

祝深度學習愉快！