Halaman ini diterjemahkan oleh Cloud Translation API.
Switch to English

tf.estimator.DNNLinearCombinedEstimator

TensorFlow 1 versi Lihat sumber di GitHub

Estimator untuk TensorFlow Linear dan DNN bergabung model dengan kepala adat.

Mewarisi Dari: Estimator

Contoh:

 numeric_feature = numeric_column(...)
categorical_column_a = categorical_column_with_hash_bucket(...)
categorical_column_b = categorical_column_with_hash_bucket(...)

categorical_feature_a_x_categorical_feature_b = crossed_column(...)
categorical_feature_a_emb = embedding_column(
    categorical_column=categorical_feature_a, ...)
categorical_feature_b_emb = embedding_column(
    categorical_column=categorical_feature_b, ...)

estimator = tf.estimator.DNNLinearCombinedEstimator(
    head=tf.estimator.MultiLabelHead(n_classes=3),
    # wide settings
    linear_feature_columns=[categorical_feature_a_x_categorical_feature_b],
    linear_optimizer=tf.keras.optimizers.Ftrl(...),
    # deep settings
    dnn_feature_columns=[
        categorical_feature_a_emb, categorical_feature_b_emb,
        numeric_feature],
    dnn_hidden_units=[1000, 500, 100],
    dnn_optimizer=tf.keras.optimizers.Adagrad(...))

# To apply L1 and L2 regularization, you can set dnn_optimizer to:
tf.compat.v1.train.ProximalAdagradOptimizer(
    learning_rate=0.1,
    l1_regularization_strength=0.001,
    l2_regularization_strength=0.001)
# To apply learning rate decay, you can set dnn_optimizer to a callable:
lambda: tf.keras.optimizers.Adam(
    learning_rate=tf.compat.v1.train.exponential_decay(
        learning_rate=0.1,
        global_step=tf.compat.v1.train.get_global_step(),
        decay_steps=10000,
        decay_rate=0.96)
# It is the same for linear_optimizer.

# 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
def input_fn_predict:
  # Returns tf.data.Dataset of (x, None) tuple.
  pass
estimator.train(input_fn=input_fn_train, steps=100)
metrics = estimator.evaluate(input_fn=input_fn_eval, steps=10)
predictions = estimator.predict(input_fn=input_fn_predict)
 

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

  • untuk setiap column di dnn_feature_columns + linear_feature_columns :
    • jika column adalah CategoricalColumn , fitur dengan key=column.name yang value adalah SparseTensor .
    • jika column adalah WeightedCategoricalColumn , dua fitur: pertama dengan key id nama kolom, yang kedua dengan key berat nama kolom. Kedua fitur value harus menjadi SparseTensor .
    • jika column adalah DenseColumn , fitur dengan key=column.name yang value adalah Tensor .

Rugi dihitung dengan menggunakan rata-rata kesalahan kuadrat.

head Sebuah Head contoh dibangun dengan metode seperti tf.estimator.MultiLabelHead .
model_dir Direktori untuk menyimpan parameter model, grafik dan lain-lain ini juga dapat digunakan untuk pos-pos pemeriksaan beban dari direktori menjadi estimator untuk terus melatih model disimpan sebelumnya.
linear_feature_columns Sebuah iterable yang berisi semua kolom fitur yang digunakan oleh bagian linier dari model. Semua item dalam set harus contoh kelas yang berasal dari FeatureColumn .
linear_optimizer Sebuah contoh dari tf.keras.optimizers.* Digunakan untuk menerapkan gradien ke bagian linear dari model. Bisa juga berupa string (salah satu 'Adagrad', 'Adam', 'Ftrl', 'RMSProp', 'SGD'), atau callable. Default untuk FTRL optimizer.
dnn_feature_columns Sebuah iterable yang berisi semua kolom fitur yang digunakan oleh bagian dalam dari model. Semua item dalam set harus contoh kelas yang berasal dari FeatureColumn .
dnn_optimizer Sebuah contoh dari tf.keras.optimizers.* Digunakan untuk menerapkan gradien ke bagian dalam dari model. Bisa juga berupa string (salah satu 'Adagrad', 'Adam', 'Ftrl', 'RMSProp', 'SGD'), atau callable. Default untuk Adagrad optimizer.
dnn_hidden_units Daftar unit tersembunyi per lapisan. Semua lapisan terhubung sepenuhnya.
dnn_activation_fn fungsi aktivasi diterapkan untuk setiap lapisan. Jika ada, akan menggunakan tf.nn.relu .
dnn_dropout Bila tidak ada, kemungkinan kita akan putus keterberian koordinat.
config RunConfig objek untuk mengkonfigurasi pengaturan runtime.
linear_sparse_combiner Sebuah string menentukan bagaimana mengurangi model linear jika kolom kategoris adalah multivalen. Salah satu "berarti", "sqrtn", dan "sum" - ini adalah cara efektif yang berbeda untuk melakukan normalisasi contoh-tingkat, yang dapat berguna untuk tas-dari-kata fitur. Untuk lebih jelasnya, lihat tf.feature_column.linear_model .

ValueError Jika kedua linear_feature_columns dan dnn_features_columns kosong pada waktu yang sama.

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 dalam satu SavedModel direktori.

Untuk variabel dan tf.MetaGraphDefs , direktori ekspor timestamped bawah export_dir_base , dan menulis SavedModel ke dalamnya berisi tf.MetaGraphDef untuk modus diberikan dan tanda tangan yang terkait.

Untuk prediksi, yang diekspor MetaGraphDef akan memberikan satu SignatureDef untuk setiap elemen dari export_outputs dict kembali dari model_fn , bernama menggunakan tombol yang sama. Salah satu kunci ini selalu tf.saved_model.signature_constants.DEFAULT_SERVING_SIGNATURE_DEF_KEY , yang menunjukkan tanda tangan akan disajikan ketika permintaan melayani tidak menentukan satu. Untuk setiap tanda tangan, output yang disediakan oleh sesuai tf.estimator.export.ExportOutput s, dan masukan selalu penerima masukan yang diberikan oleh serving_input_receiver_fn .

Untuk pelatihan dan evaluasi, train_op disimpan dalam koleksi ekstra, dan kehilangan, metrik