如何⽤Python和Tensorflow2.0神经⽹络分类表格数据？以客户流失数据为例，看 Tensorflow 2.0 版本如何帮助我们快速构建表格（结构化）数据的神经⽹络分类模型。
变化
表格数据，你应该并不陌⽣。毕竟， Excel 这东西在咱们平时的⼯作和学习中，还是挺常见的。
在之前的教程⾥，我为你分享过，如何利⽤深度神经⽹络，锁定即将流失的客户。⾥⾯⽤到的，就是这样的表格数据。
时间过得真快，距离写作那篇教程，已经⼀年半了。
这段时间⾥，出现了2个重要的变化，使我觉得有必要重新来跟你谈谈这个话题。
这两个变化分别是：
⾸先，tflearn 框架的开发已经不再活跃。
tflearn 是当时教程中我们使⽤的⾼阶深度学习框架，它基于 Tensorflow 之上，包裹了⼤量的细节，让⽤户可以⾮常⽅便地搭建⾃⼰的模型。
但是，由于 Tensorflow 选择拥抱了它的竞争者 Keras ，导致后者的竞争优势凸显。
对⽐⼆者获得的星数，已经不在同⼀量级。
观察更新时间，tflearn 已经⼏个⽉没有动静；⽽ Keras ⼏个⼩时之前，还有更新。
我们选择免费开源框架，⼀定要使⽤开发活跃、社区⽀持完善的。只有这样，遇到问题才能更低成本、⾼效率地解决。
看过我的《Python编程遇问题，⽂科⽣怎么办？》⼀⽂之后，你对上述结论，应该不陌⽣。
另⼀项新变化，是 Tensorflow 发布了 2.0 版本。
相对 1.X 版本，这个⼤版本的变化，我在《如何⽤ Python 和 BERT 做中⽂⽂本⼆元分类？》⼀⽂中，已经粗略地为你介绍过了。简要提炼⼀下，就是：
之前的版本，以计算图为中⼼。开发者需要为这张图服务。因此，引⼊了⼤量的不必要术语。新版本以⼈为中⼼，⽤户撰写⾼阶的简洁语句，框架⾃动将其转化为对应的计算图。
之前的版本，缺少⽬前竞争框架（如 PyTorch 等）包含的新特性。例如计算图动态化、运⾏中调试功能等。
但对普通开发者来说，最为重要的是，官⽅⽂档和教程变得对⽤户友好许多。不仅写得清晰简明，更靠着 Google Colab 的⽀持，全都能⼀键运
⾏。我尝试了 2.0 版本的⼀些教程样例，确实感觉⼤不⼀样了。
其实你可能会觉得奇怪—— Tensorflow ⼤张旗⿎宣传的⼤版本改进，其实也⽆⾮就是向着 PyTorch 早就有的功能靠拢⽽已嘛。那我⼲脆去学PyTorch 好了！
如果我们只说道理，这其实没错。然⽽，还是前⾯那个论断，⼀个框架好不好，主要看是否开发活跃
python怎么读csv数据、社区⽀持完善。这就是⼀个⾃证预⾔。⼀旦⼈们都觉得 Tensorflow 好⽤，那么 Tensorflow 就会更好⽤。因为会有更多的⼈参与进来，帮助反馈和改进。
看看现在 PyTorch 的 Github 页⾯。
受关注度，确实已经很⾼了。
然⽽你再看看 Tensorflow 的。
⾄少在⽬前，⼆者根本不在⼀个数量级。
Tensorflow 的威⼒，不只在于本⾝构建和训练模型是不是好⽤。那其实只是深度学习中，⾮常⼩的⼀个环节。不信？你在下图⾥看。
真正的问题，在于是否有完整的⽣态环境⽀持。其中的逻辑，我在《学 Python ，能提升你的竞争⼒吗？》⼀⽂中，已经为你详细分析过了。
⽽ Tensorflow ，早就通过⼀系列的布局，使得其训练模型可以直接快速部署，最快速度铺开，帮助开发者占领市场先机。
如果你使⽤ PyTorch ，那么这样的系统，是相对不完善的。当然你可以在 PyTorch 中训练，然后转换并且部署到 Tensorflow ⾥⾯。毕竟三巨头达成了协议，标准开放，这样做从技术上并不困难。
但是，⼈的认知带宽，是⾮常有限的。⼤部分⼈，是不会选择在两个框架甚⾄⽣态系统之间折腾的。这就是路径依赖。
所以，别左顾右盼了，认认真真学 Tensorflow 2.0 吧。
这篇⽂章⾥⾯，我给你介绍，如何⽤ Tensorflow 2.0 ，来训练神经⽹络，对⽤户流失数据建⽴分类模型，从⽽可以帮你见微知著，洞察风险，提前做好⼲预和防范。
数据
你⼿⾥拥有的，是⼀份银⾏欧洲区客户的数据，共有10000条记录。客户主要分布在法国、德国和西班⽛。
数据来⾃于匿名化处理后的真实数据集，下载⾃ superdatascience 官⽹。
从表格中，可以读取的信息，包括客户们的年龄、性别、信⽤分数、办卡信息等。客户是否已流失的信息在最后⼀列（Exited）。
这份数据，我已经上传到了这个地址，你可以下载，并且⽤ Excel 查看。
环境

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。