Esta página foi traduzida pela API Cloud Translation.
Switch to English

tf.estimator.BaselineRegressor

TensorFlow 1 versão Ver fonte no GitHub

A regressor que pode estabelecer uma simples linha de base.

Herda de: Estimator

Este regressor ignora valores de recursos e vai aprender a prever o valor médio de cada rótulo.

Exemplo:

 
# 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 de train e evaluate deveriam ter as seguintes características, caso contrário, haverá uma KeyError :

  • se weight_column não é None , um recurso com key=weight_column cujo valor é uma Tensor .

model_dir Diretório para salvar os parâmetros do modelo, gráfico e etc. Isso também pode ser usado para postos de controle de carga a partir do diretório em um estimador para continuar treinando um modelo salvo anteriormente.
label_dimension Número de regressão alvos por exemplo. Este é o tamanho da última dimensão dos rótulos e logits Tensor objetos (normalmente, estes têm forma [batch_size, label_dimension] ).
weight_column Uma corda ou um _NumericColumn criado por tf.feature_column.numeric_column definindo coluna característica representando pesos. Vai ser multiplicado pela perda do exemplo.
optimizer String, tf.keras.optimizers.* Objeto, nem pode ser chamada que cria o otimizador a usar para o treinamento. Se não especificado, vai usar Ftrl como o otimizador padrão.
config RunConfig objeto para definir as configurações de tempo de execução.
loss_reduction Um dos tf.losses.Reduction exceto NONE . Descreve como reduzir a perda de formação ao longo do lote. O padrão é SUM_OVER_BATCH_SIZE .

Compatibilidade ansioso

Estimadores pode ser usado durante a execução ansioso está habilitado. Note-se que input_fn e todos os ganchos são executados dentro de um contexto gráfico, então eles têm que ser escrito para ser compatível com o modo gráfico. Note-se que input_fn código usando tf.data geralmente funciona tanto gráfico e modos ansiosos.

config

export_savedmodel

model_dir

model_fn Retorna o model_fn que é obrigado a self.params .
params

Métodos

eval_dir

Ver fonte

Mostra o nome do diretório onde métricas de avaliação são despejados.

args
name Nome da avaliação, se as necessidades do usuário para executar múltiplas avaliações sobre diferentes conjuntos de dados, como no treinamento de dados vs dados de teste. Métricas para diferentes avaliações são guardadas em pastas separadas, e aparecem separadamente em tensorboard.

Devoluções
Uma seqüência que é o caminho do diretório contém métricas de avaliação.

evaluate

Ver fonte

Avalia o modelo dado dados de avaliação input_fn .

Para cada etapa, chama input_fn , que retorna um lote de dados. Avalia até que:

  • steps lotes são processados, ou
  • input_fn levanta uma excepção fim-de-entrada ( tf.errors.OutOfRangeError ou StopIteration ).

args
input_fn Uma função que constrói os dados de entrada para a avaliação. Veja Premade Estimators para mais informações. A função deve construir e retornar um dos seguintes:

  • Um tf.data.Dataset objecto: saídas do Dataset objecto tem de ser um tuplo (features, labels) com as mesmas restrições como abaixo.
  • Uma tupla (features, labels) : Onde features é um tf.Tensor ou um dicionário de nome do recurso string para Tensor e labels é um Tensor ou um dicionário de nome do rótulo string para Tensor . Ambos os features e labels são consumidos por model_fn . Eles devem satisfazer a expectativa de model_fn de entradas.
steps Número de passos para que avaliar o modelo. Se None , avalia até input_fn levanta uma excepção fim-de-entrada.
hooks Lista de tf.train.SessionRunHook casos subclasse. Usado para retornos de chamada dentro da chamada avaliação.
checkpoint_path Caminho de um posto de controle específico para avaliar. Se None , o último posto de controle em model_dir é usado. Se não há postos de controle em model_dir , a avaliação é executado com recém-inicializado Variables em vez dos restaurados a partir do ponto de verificação.
name Nome da avaliação, se as necessidades do usuário para executar múltiplas avaliações sobre diferentes conjuntos de dados, como no treinamento de dados vs dados de teste. Métricas para diferentes avaliações são guardadas em pastas separadas, e aparecem separadamente em tensorboard.

Devoluções
Um dicionário que contém as métricas de avaliação especificados em model_fn de chave pelo nome, bem como uma entrada global_step que contém o valor da etapa global para o qual foi realizada a referida avaliação. Para estimadores enlatados, o Dict contém a loss (perda média por mini-lote) e o average_loss (perda média por amostra). Classificadores enlatados também retornam a accuracy . Regressores enlatados também devolver o label/mean ea prediction/mean .

Levanta
ValueError Se steps <= 0 .

experimental_export_all_saved_models

Ver fonte

Exportações uma SavedModel com tf.MetaGraphDefs para cada modo solicitado.

Para cada modo aprovada em via input_receiver_fn_map , este método cria um novo gráfico chamando o input_receiver_fn obter recurso e rotular Tensor s. Em seguida, este método chama o Estimator de model_fn no modo passada para gerar o gráfico de modelo com base nessas características e etiquetas, e restaura o checkpoint dada (ou, na falta disso, o checkpoint mais recente) no gráfico. Apenas um dos modos é usado para guardar variáveis ao SavedModel (ordem de preferência: tf.estimator.ModeKeys.TRAIN , tf.estimator.ModeKeys.EVAL , então tf.estimator.ModeKeys.PREDICT ), de tal forma que até três tf.MetaGraphDefs são salvos com um único conjunto de variáveis em uma única SavedModel diretório.

Para as variáveis e tf.MetaGraphDefs , um diretório timestamped exportação abaixo export_dir_base , e escreve uma SavedModel para ele contendo o tf.MetaGraphDef para o modo de dados e suas assinaturas associados.

Para a previsão, o exportados MetaGraphDef irá fornecer um SignatureDef para cada elemento dos export_outputs Dict retornado do model_fn , nomeado usando as mesmas teclas. Uma dessas chaves é sempre tf.saved_model.signature_constants.DEFAULT_SERVING_SIGNATURE_DEF_KEY , indicando que a assinatura será servido quando uma solicitação de serviço não especificar um. Para cada assinatura, as saídas são fornecidas pelo correspondente tf.estimator.export.ExportOutput s, e as entradas são sempre os receptores de entrada fornecidos pelo serving_input_receiver_fn .

Para a formação e avaliação, o train_op é armazenado em uma coleção extra, e perda, métricas, e as previsões são incluídos em um SignatureDef para o modo em questão.

Ativos adicionais podem ser escritos no SavedModel através da assets_extra argumento. Este deve ser um dicionário, onde cada chave dá um caminho de destino (incluindo o nome do arquivo) relativo ao diretório assets.extra. O valor correspondente dá o caminho completo do arquivo de origem a ser copiado. Por exemplo, o caso simples de copiar um único arquivo sem renomeá-lo é especificado como {'my_asset_file.txt': '/path/to/my_asset_file.txt'} .

args
export_dir_base Uma string contendo um diretório no qual criar subdiretórios timestamped contendo exportados SavedModel s.
input_receiver_fn_map dict de tf.estimator.ModeKeys para input_receiver_fn mapeamentos, onde o input_receiver_fn é uma função que não recebe argumentos e retorna a subclasse apropriada de InputReceiver .
assets_extra A dict especificar como preencher o diretório assets.extra dentro do exportada SavedModel , ou None se não são necessários recursos extras.
as_text se a escrever o SavedModel proto em formato de texto.
checkpoint_path O caminho do ponto de verificação para exportar. Se None (o padrão), o ponto de verificação mais recente encontrado dentro do diretório do modelo escolhido.

Devoluções
O caminho para o diretório exportado como um objeto bytes.

Levanta
ValueError se houver input_receiver_fn é None , há export_outputs são fornecidos, ou nenhum ponto de verificação pode ser encontrado.

export_saved_model

Ver fonte

Exportações de inferência gráfico como uma SavedModel na dir dada.

Para um guia detalhado, consulte SavedModel de Avaliadores .

Este método cria um novo gráfico pela primeira chamando o serving_input_receiver_fn obter recurso Tensor s, e em seguida, chamar esse Estimator s' model_fn para gerar o gráfico modelo com base nessas características. Ele restaura o ponto de verificação dada (ou, na falta disso, o checkpoint mais recente) para este gráfico em uma nova sessão. Finalmente ele cria um diretório de exportação timestamped abaixo do dado export_dir_base , e escreve um SavedModel para ele contendo um único tf.MetaGraphDef salvo desta sessão.

O exportado MetaGraphDef irá fornecer um Signa