Se usó la API de Cloud Translation para traducir esta página.
Switch to English

tf.estimator.BaselineRegressor

TensorFlow 1 versión Ver código fuente en GitHub

Un regresor que puede establecer una línea de base sencilla.

Hereda de: Estimator

Este regresor ignora valores de características y aprender a predecir el valor promedio de cada etiqueta.

Ejemplo:

 
# Build BaselineRegressor
regressor = tf.estimator.BaselineRegressor()

# 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.
regressor.train(input_fn=input_fn_train)

# Evaluate squared-loss between the test and train targets.
loss = regressor.evaluate(input_fn=input_fn_eval)["loss"]

# predict outputs the mean value seen during training.
predictions = regressor.predict(new_samples)
 

Entrada del train y evaluate debería haber siguientes características, de lo contrario habrá un KeyError :

  • Si weight_column no es None , una característica con key=weight_column cuyo valor es un Tensor .

model_dir Directorio para guardar los parámetros del modelo, gráfico, etc Esto también puede ser usado para los puestos de control de carga desde el directorio en un estimador para continuar la formación de un modelo previamente guardado.
label_dimension Número de regresión se dirige por ejemplo. Este es el tamaño de la última dimensión de las etiquetas y logits Tensor objetos (típicamente, estos tienen forma [batch_size, label_dimension] ).
weight_column Una cadena o una _NumericColumn creados por tf.feature_column.numeric_column definir columna característica que representa los pesos. Se multiplica por la pérdida del ejemplo.
optimizer Cadena, tf.keras.optimizers.* Objeto, o exigible que crea el optimizador para el uso para el entrenamiento. Si no se especifica, se utilizará Ftrl como el optimizador de forma predeterminada.
config RunConfig objeto de configurar los ajustes de tiempo de ejecución.
loss_reduction Uno de tf.losses.Reduction excepto NONE . Describe la forma de reducir la pérdida de la formación sobre lote. Por defecto es SUM_OVER_BATCH_SIZE .

Compatibilidad ansiosos

Estimadores se pueden utilizar mientras que la ejecución ansiosa está activado. Tenga en cuenta que input_fn y todos los ganchos se ejecutan dentro de un contexto gráfico, así que tienen que ser escrito para ser compatible con el modo gráfico. Tenga en cuenta que input_fn código usando tf.data general funciona tanto en el modo gráfico y ansiosos.

config

export_savedmodel

model_dir

model_fn Devuelve el model_fn que está obligado a self.params .
params

Métodos

eval_dir

Ver fuente

Muestra el nombre del directorio en el que se vierten métricas de evaluación.

args
name Nombre de la evaluación si las necesidades del usuario para ejecutar múltiples evaluaciones en diferentes conjuntos de datos, como en el entrenamiento de los datos frente a los datos de prueba. Métricas para diferentes evaluaciones se guardan en carpetas separadas, y aparecen por separado en tensorboard.

Devoluciones
Una cadena que es la ruta de directorio contiene métricas de evaluación.

evaluate

Ver fuente

Evalúa la modelo dado datos de la evaluación input_fn .

Para cada paso, las llamadas input_fn , que devuelve un lote de datos. Evalúa hasta que:

args
input_fn Una función que construye los datos de entrada para la evaluación. Ver preparado de antemano estimadores para más información. La función debe construir y devolver uno de los siguientes:

  • A tf.data.Dataset objeto: Salidas de Dataset de objeto debe ser una tupla (features, labels) con mismas restricciones que a continuación.
  • Una tupla (features, labels) : ¿Dónde features es un tf.Tensor o un diccionario de nombre de elemento de cadena para Tensor y labels es una Tensor o un diccionario de nombre de etiqueta cadena a Tensor . Ambas features y labels son consumidos por model_fn . Deben satisfacer las expectativas de model_fn de entradas.
steps Número de pasos para la cual evaluar modelo. Si None , evalúa hasta input_fn genera una excepción al final de la entrada.
hooks Lista de tf.train.SessionRunHook casos subclase. Se utiliza para las devoluciones de llamada dentro de la llamada evaluación.
checkpoint_path Trayectoria de un punto de control específico para evaluar. Si None , el último puesto de control en model_dir se utiliza. Si no hay puestos de control en model_dir , la evaluación se ejecuta con iniciada recientemente Variables en lugar de los restaurados de puesto de control.
name Nombre de la evaluación si las necesidades del usuario para ejecutar múltiples evaluaciones en diferentes conjuntos de datos, como en el entrenamiento de los datos frente a los datos de prueba. Métricas para diferentes evaluaciones se guardan en carpetas separadas, y aparecen por separado en tensorboard.

Devoluciones
A dict que contiene las métricas de evaluación especificados en model_fn tecleado por el nombre, así como una entrada global_step que contiene el valor de la etapa global para el que se realizó esta evaluación. Para estimadores enlatados, el dict contiene la loss (pérdida media por mini lotes) y el average_loss (pérdida media por muestra). Clasificadores enlatados también devuelven la accuracy . Regresores enlatados también vuelven la label/mean y la prediction/mean .

aumentos
ValueError Si steps <= 0 .

experimental_export_all_saved_models

Ver fuente

Las exportaciones un SavedModel con tf.MetaGraphDefs para cada modo de operación deseado.

Para cada modo aprobada en a través de la input_receiver_fn_map , este método construye un nuevo gráfico llamando a la input_receiver_fn obtener característica y la etiqueta Tensor s. A continuación, este método llama al Estimator 's model_fn en el modo pasado para generar el gráfico modelo basado en las características y etiquetas, y restaura el punto de control dado (o, a falta de eso, el último punto de control) en el gráfico. Sólo uno de los modos se utiliza para ahorrar variables al SavedModel (orden de preferencia: tf.estimator.ModeKeys.TRAIN , tf.estimator.ModeKeys.EVAL , entonces tf.estimator.ModeKeys.PREDICT ), de manera que hasta tres tf.MetaGraphDefs se guardan con un único conjunto de variables en una sola SavedModel directorio.

Para las variables y tf.MetaGraphDefs , un directorio de exportación sellos de tiempo a continuación export_dir_base , y escribe un SavedModel en ella que contiene el tf.MetaGraphDef para el modo dado y sus firmas asociadas.

Para la predicción, la exportado MetaGraphDef proporcionará una SignatureDef para cada elemento de los export_outputs dict volvió de la model_fn , nombra utilizando las mismas claves. Una de estas claves es siempre tf.saved_model.signature_constants.DEFAULT_SERVING_SIGNATURE_DEF_KEY , indicando qué firma se servirá cuando una solicitud de servicio no especifica una. Para cada firma, las salidas son proporcionados por la correspondiente tf.estimator.export.ExportOutput s, y las entradas son siempre los receptores de entrada proporcionados por el serving_input_receiver_fn .

Para la formación y evaluación, el train_op se almacena en una colección extra, y la pérdida, la métrica, y las predicciones están incluidos en un SignatureDef para la modalidad de que se trate.

Activos adicionales pueden ser escritos en el SavedModel a través de la assets_extra argumento. Esto debería ser un diccionario, donde cada tecla proporciona una ruta de destino (incluyendo el nombre del archivo) relativa al directorio assets.extra. El valor correspondiente da la ruta completa del archivo de origen que desea copiar. Por ejemplo, el caso simple de copiar un solo archivo sin cambiar el nombre que se especifica como {'my_asset_file.txt': '/path/to/my_asset_file.txt'} .

args
export_dir_base Una cadena que contiene un directorio en el que crear subdirectorios que contienen sellos de tiempo exportados SavedModel s.
input_receiver_fn_map dict de tf.estimator.ModeKeys a input_receiver_fn asignaciones, donde el input_receiver_fn es una función que no tiene argumentos y devuelve la subclase apropiada de InputReceiver .
assets_extra Un dict especificar cómo rellenar el directorio assets.extra dentro del exportados SavedModel , o None si no se necesitan activos adicionales.
as_text si se debe escribir el SavedModel proto en formato de texto.
checkpoint_path El camino puesto de control de la exportación. Si None (el valor predeterminado), el punto de control más reciente encontró dentro del directorio del modelo que se elija.

Devoluciones
La ruta de acceso al directorio exportado como un objeto bytes.

aumentos
ValueError si cualquier input_receiver_fn es None , no hay export_outputs se proporcionan, o no puesto de control pueden ser encontrados.

export_saved_model

Ver fuente

Las exportaciones de inferencia gráfico como una SavedModel en el dir dado.

Para una guía detallada, consulte SavedModel de los estimadores .

Este método construye un nuevo gráfico llamando primero la serving_input_receiver_fn obtener característica Tensor s, y después de llamar a este Estimator 's model_fn para generar el gráfico modelo basado en esas características. Se restaura el punto de control dado (o, a falta de eso, el último punto de control) en este gráfico en una nueva sesión. Finalmente se crea un directorio de exportación por debajo de la marca de tiempo determinado export_dir_base , y escribe un SavedModel en ella que contiene un único tf.MetaGraphDef salvado de esta sesión.

La exportados