Halaman ini diterjemahkan oleh Cloud Translation API.
Switch to English

tf.estimator.BaselineClassifier

TensorFlow 1 versi Lihat sumber di GitHub

Sebuah classifier yang dapat membangun dasar yang sederhana.

Mewarisi Dari: Estimator

classifier ini mengabaikan nilai-nilai fitur dan akan belajar untuk memprediksi nilai rata-rata masing-masing label. Untuk masalah satu-label, ini akan memprediksi distribusi probabilitas dari kelas seperti yang terlihat di label. Untuk masalah multi-label, ini akan memprediksi fraksi contoh yang positif untuk setiap kelas.

Contoh:

 
# Build BaselineClassifier
classifier = tf.estimator.BaselineClassifier(n_classes=3)

# Input builders
def input_fn_train:
  # Returns tf.data.Dataset of (x, y) tuple where y represents label's class
  # index.
  pass

def input_fn_eval:
  # Returns tf.data.Dataset of (x, y) tuple where y represents label's class
  # index.
  pass

# Fit model.
classifier.train(input_fn=input_fn_train)

# Evaluate cross entropy between the test and train labels.
loss = classifier.evaluate(input_fn=input_fn_eval)["loss"]

# predict outputs the probability distribution of the classes as seen in
# training.
predictions = classifier.predict(new_samples)

 

Masukan dari train dan evaluate seharusnya fitur berikut, jika tidak akan ada KeyError :

  • jika weight_column tidak None , fitur dengan key=weight_column yang nilainya adalah Tensor .

model_dir Direktori untuk menyimpan parameter model, grafik dan lain-lain ini juga dapat digunakan untuk pos-pos pemeriksaan beban dari direktori ke estimator untuk terus melatih model disimpan sebelumnya.
n_classes jumlah kelas label. Default adalah klasifikasi biner. Ini harus lebih besar dari 1. Catatan: Kelas label adalah bilangan bulat yang mewakili indeks kelas (nilai yaitu dari 0 sampai n_classes-1). Untuk nilai-nilai label sewenang-wenang (misalnya label string), convert ke indeks kelas.
weight_column Sebuah string atau NumericColumn diciptakan oleh tf.feature_column.numeric_column mendefinisikan kolom fitur yang mewakili bobot. Ini akan dikalikan dengan hilangnya contoh.
label_vocabulary Daftar opsional dari string dengan ukuran [n_classes] mendefinisikan kosakata label. Hanya didukung untuk n_classes > 2.
optimizer String, tf.keras.optimizers.* Objek, atau callable yang menciptakan optimizer untuk digunakan untuk pelatihan. Jika tidak ditentukan, akan menggunakan Ftrl sebagai optimizer default.
config RunConfig objek untuk mengkonfigurasi pengaturan runtime.
loss_reduction Salah satu tf.losses.Reduction kecuali NONE . Menjelaskan cara mengurangi kerugian pelatihan selama batch. Default untuk SUM_OVER_BATCH_SIZE .

ValueError Jika n_classes <2.

Kompatibilitas bersemangat

Penduga dapat digunakan saat eksekusi bersemangat diaktifkan. Perhatikan bahwa input_fn dan semua kait dijalankan dalam konteks grafik, sehingga mereka harus ditulis agar kompatibel dengan modus grafik. Perhatikan bahwa input_fn kode menggunakan tf.data umumnya bekerja di kedua grafik dan mode bersemangat.

config

export_savedmodel

model_dir

model_fn Mengembalikan model_fn yang terikat self.params .
params

metode

eval_dir

Lihat sumber

Menunjukkan nama direktori dimana metrik evaluasi yang dibuang.

args
name Nama evaluasi jika kebutuhan pengguna untuk menjalankan beberapa evaluasi pada set data yang berbeda, seperti pada pelatihan Data vs data uji. Metrik untuk evaluasi yang berbeda disimpan dalam folder terpisah, dan muncul secara terpisah di tensorboard.

Pengembalian
Sebuah string yang merupakan jalur direktori berisi metrik evaluasi.

evaluate

Lihat sumber

Mengevaluasi model yang diberikan data evaluasi input_fn .

Untuk setiap langkah, panggilan input_fn , yang mengembalikan satu batch data. Mengevaluasi sampai:

  • steps batch diproses, atau
  • input_fn menimbulkan end-of-masukan pengecualian ( tf.errors.OutOfRangeError atau StopIteration ).

args
input_fn Sebuah fungsi yang membangun input data untuk evaluasi. Lihat Premade estimator untuk informasi lebih lanjut. Fungsi harus membangun dan kembali salah satu berikut:

  • Sebuah tf.data.Dataset objek: Output dari Dataset objek harus menjadi tuple (features, labels) dengan kendala yang sama seperti di bawah ini.
  • Sebuah tuple (features, labels) : Dimana features adalah tf.Tensor atau kamus nama fitur string untuk Tensor dan labels adalah Tensor atau kamus nama label string untuk Tensor . Kedua features dan labels dikonsumsi oleh model_fn . Mereka harus memenuhi harapan model_fn dari input.
steps Sejumlah langkah yang untuk mengevaluasi model yang. Jika None , mengevaluasi sampai input_fn menimbulkan end-of-masukan pengecualian.
hooks Daftar tf.train.SessionRunHook kasus subclass. Digunakan untuk callback dalam panggilan evaluasi.
checkpoint_path Jalan dari pos pemeriksaan tertentu untuk mengevaluasi. Jika None , pos pemeriksaan terbaru dalam model_dir digunakan. Jika tidak ada pos-pos pemeriksaan di model_dir , evaluasi dijalankan dengan baru diinisialisasi Variables bukan yang dipulihkan dari pos pemeriksaan.
name Nama evaluasi jika kebutuhan pengguna untuk menjalankan beberapa evaluasi pada set data yang berbeda, seperti pada pelatihan Data vs data uji. Metrik untuk evaluasi yang berbeda disimpan dalam folder terpisah, dan muncul secara terpisah di tensorboard.

Pengembalian
Sebuah dict yang berisi metrik evaluasi yang ditetapkan dalam model_fn mengetik dengan nama, serta entri global_step yang berisi nilai langkah global untuk yang evaluasi ini dilakukan. Untuk estimator kaleng, dict yang berisi loss (rata-rata kerugian per mini-batch) dan average_loss (rata-rata kerugian per sampel). Pengklasifikasi kaleng juga mengembalikan accuracy . Regressors kaleng juga mengembalikan label/mean dan prediction/mean .

kenaikan gaji
ValueError Jika steps <= 0 .

experimental_export_all_saved_models

Lihat sumber

Ekspor sebuah SavedModel dengan tf.MetaGraphDefs untuk setiap mode yang diminta.

Untuk setiap mode berlalu dalam melalui input_receiver_fn_map , metode ini membangun grafik baru dengan memanggil input_receiver_fn untuk mendapatkan fitur dan label Tensor s. Berikutnya, metode ini menyebut Estimator 's model_fn dalam modus lulus untuk menghasilkan grafik model yang didasarkan pada fitur-fitur dan label, dan mengembalikan pos pemeriksaan yang diberikan (atau, kurang itu, pos pemeriksaan terbaru) ke grafik. Hanya salah satu mode digunakan untuk menyimpan variabel ke SavedModel (urutan preferensi: tf.estimator.ModeKeys.TRAIN , tf.estimator.ModeKeys.EVAL , maka tf.estimator.ModeKeys.PREDICT ), sehingga sampai tiga tf.MetaGraphDefs disimpan dengan satu set variabel da