我们知道神经网络在图片、信号等领域大放异彩。但在表格数据领域，基本还是树模型的主场。今天我们介绍下TabNet的使用方式，这是一个能够很好的处理tabular数据的神经网络模型。
下面我们介绍下TabNet的使用。

1. 安装

根据官方介绍，安装tabnet之前需要Tensorflow 2.0+版本和Tensorflow-dataset（非必须）。确保Tensorflow 2.0+正确安装之后，就可以安装TabNet了。

pip install tabnet[cpu]
pip install tabnet[gpu]

就像TensorFlow有cpu版和gpu版一样，TabNet也有cpu版和gpu版，可以按需选择。

2. 使用

tabnet包提供了TabNetClassifier和TabNetRegression分别用于处理分类任务和回归任务。以TabNetClassification为例，他是在TabNet模块的基础上加入了处理分类任务的全连接层（即：激活函数为softmax）。

from tabnet import TabNetClassifier

我们使用iris数据，做个简单的分类任务

import tensorflow_datasets as tfds
def transform(ds):
    features = tf.unstack(ds['features'])
    labels = ds['label']

    x = dict(zip(col_names, features))
    y = tf.one_hot(labels, 3)
    return x, y

col_names = ['sepal_length', 'sepal_width', 'petal_length', 'petal_width']
ds_full = tfds.load(name="iris", split=tfds.Split.TRAIN)
ds_full = ds_full.shuffle(150, seed=0)

ds_train = ds_full.take(train_size)
ds_train = ds_train.map(transform)
ds_train = ds_train.batch(32)

ds_test = ds_full.skip(train_size)
ds_test = ds_test.map(transform)
ds_test = ds_test.batch(32)

需要注意的是要把特征数据转化成map类型，因为模型的第一个参数即为特征的参数名称。
iris共有150条数据，每个数据有4个特征。所以我们设置如下：

col_names = ['sepal_length', 'sepal_width', 'petal_length', 'petal_width']
feature_columns = []
for col_name in col_names:
    feature_columns.append(tf.feature_column.numeric_column(col_name))
model = TabNetClassifier(feature_columns, num_classes=3, feature_dim=8, output_dim=4)

至此模型就创建好了，下面就是训练的部分:

lr = tf.keras.optimizers.schedules.ExponentialDecay(0.01, decay_steps=100, decay_rate=0.9)
optimizer = tf.keras.optimizers.Adam(lr)
model.compile(optimizer, loss='categorical_crossentropy', metrics=['accuracy'])
model.fit(ds_train, epochs=100, validation_data=ds_test, verbose=2)