DNN回归模型

tf.estimator.DNNLinearCombinedRegressor

DNNLinearCombinedRegressor 类

继承自: Estimator

定义在:tensorflow/python/estimator/canned/dnn_linear_combined.py.

TensorFlow Linear 和 DNN 的估计器加入了回归模型.

注意:此估计器(estimator)也称为 wide-n-deep.

例如:

numeric_feature = numeric_column(...)
sparse_column_a = categorical_column_with_hash_bucket(...)
sparse_column_b = categorical_column_with_hash_bucket(...)

sparse_feature_a_x_sparse_feature_b = crossed_column(...)
sparse_feature_a_emb = embedding_column(sparse_id_column=sparse_feature_a,
                                        ...)
sparse_feature_b_emb = embedding_column(sparse_id_column=sparse_feature_b,
                                        ...)

estimator = DNNLinearCombinedRegressor(
    # wide settings
    linear_feature_columns=[sparse_feature_a_x_sparse_feature_b],
    linear_optimizer=tf.train.FtrlOptimizer(...),
    # deep settings
    dnn_feature_columns=[
        sparse_feature_a_emb, sparse_feature_b_emb, numeric_feature],
    dnn_hidden_units=[1000, 500, 100],
    dnn_optimizer=tf.train.ProximalAdagradOptimizer(...))

# To apply L1 and L2 regularization, you can set optimizers as follows:
tf.train.ProximalAdagradOptimizer(
    learning_rate=0.1,
    l1_regularization_strength=0.001,
    l2_regularization_strength=0.001)
# It is same for FtrlOptimizer.

# Input builders
def input_fn_train: # returns x, y
  pass
estimator.train(input_fn=input_fn_train, steps=100)

def input_fn_eval: # returns x, y
  pass
metrics = estimator.evaluate(input_fn=input_fn_eval, steps=10)
def input_fn_predict: # returns x, None
  pass
predictions = estimator.predict(input_fn=input_fn_predict)

输入的 train 和 evaluate 应具有以下特点,否则将会产生 KeyError:

  • 对于 dnn_feature_columns+ linear_feature_columns 中的每一列:
  • 如果列是 _CategoricalColumn,则具有 key=column.name 并且其值是一个 SparseTensor 的特点.
  • 如果列是一个 _WeightedCategoricalColumn,则具有两个特点:第一个是带有键的 ID 列名称,第二个是具有键权重列名称.这两个特点的值必须是SparseTensor. 
  • 如果列是 _DenseColumn,则有特点:key = column.name 并且其值是一个 Tensor.

损失通过使用均方误差计算.

属性

  • config
  • model_dir
  • params

方法

__init__

__init__(
    model_dir=None,
    linear_feature_columns=None,
    linear_optimizer='Ftrl',
    dnn_feature_columns=None,
    dnn_optimizer='Adagrad',
    dnn_hidden_units=None,
    dnn_activation_fn=tf.nn.relu,
    dnn_dropout=None,
    label_dimension=1,
    weight_column=None,
    input_layer_partitioner=None,
    config=None
)

初始化 DNNLinearCombinedRegressor 实例.

ARGS:

  • model_dir:保存模型参数、图形等的目录.这也可用于将检查点从目录加载到估算器中,以继续训练以前保存的模型.
  • linear_feature_columns:包含模型线性部分使用的所有特征列的 iterable(迭代).集合中的所有项目都必须是从 FeatureColumn 派生的类的实例.
  • linear_optimizer:tf.Optimizer 用于将渐变应用于模型的线性部分的实例.默认为 FTRL 优化器.
  • dnn_feature_columns:包含模型深层部分所使用的所有特征列的 iterable.集合中的所有项目都必须是从 FeatureColumn 派生的类的实例.
  • dnn_optimizer:tf.Optimizer 用于将渐变应用于模型的深层部分的实例.默认为 Adagrad 优化器.
  • dnn_hidden_units:每层隐藏单位的列表.所有层都完全连接.
  • dnn_activation_fn:激活函数应用于每个层.如果无,将使用 tf.nn.relu.
  • dnn_dropout:当不是 None 时,我们将放弃一个给定的坐标的概率.
  • label_dimension:每个例子的回归目标数.这是标签和 logits Tensor 对象的最后一个维度的大小(通常它们具有形状 [batch_size, label_dimension]).
  • weight_column:通过 tf.feature_column.numeric_column 创建的一个字符串或者 _NumericColumn 用来定义表示权重的特征列.在 train 过程中,它用于降低权重或增加实例.它将乘以例子的损失.如果它是一个字符串,它是用来作为一个键从特征提取权重张量;如果是 _NumericColumn,则通过键获取原始张量weight_column.key,然后在其上应用 weight_column.normalizer_fn 以获得权重张量.
  • input_layer_partitioner:输入层分区.默认为 min_max_variable_partitioner 与 min_slice_size64 << 20.
  • config:RunConfig 对象配置运行时设置.

注意:

  • ValueError:如果 linear_feature_columns 和 dnn_features_columns 都同时为空.

evaluate

evaluate(
    input_fn,
    steps=None,
    hooks=None,
    checkpoint_path=None,
    name=None
)

评估给定的评估数据 input_fn 的模型.

对于每个步骤,调用 input_fn,它返回一组数据.评估结束条件:达到 - steps 批处理,或 - input_fn 引发 end-of-input 异常(OutOfRangeError 或 StopIteration).

ARGS:

  • input_fn:输入函数返回一个元组:features - Dictionary 的字符串特征名到 Tensor 或 SparseTensor.labels - Tensor或带标签的张量字典(dict).
  • steps:评估模型的步骤数.如果为 None,直到 input_fn 引发 end-of-input 异常时,评估结束.
  • hooks:SessionRunHook 子类实例的列表,用于评估调用中的回调.
  • checkpoint_path:要评估的特定检查点的路径.如果为 None,则使用 model_dir 中的最新检查点.
  • name:如果用户需要在不同数据集上运行多个评估,例如培训数据与测试数据,则设置评估的名称.不同评估的度量值保存在单独的文件夹中,并在 tensorboard 中单独显示.

返回:

包含 model_fn 按名称键入指定的评估度量的 dict ,以及一个条目 global_step,它包含执行此评估的全局步骤值.

注意:

  • ValueError:如果 steps <= 0.
  • ValueError:如果没有 train 模型,即 model_dir,或者给定的 checkpoint_path 是空的.

export_savedmodel

export_savedmodel(
    export_dir_base,
    serving_input_receiver_fn,
    assets_extra=None,
    as_text=False,
    checkpoint_path=None
)

将推理图作为 SavedModel 导出到给定的目录中.

此方法首先调用 serve_input_receiver_fn 来获取特征 Tensors,然后调用此 Estimator 的 model_fn 以生成基于这些特征的模型图,从而构建新的图.它在新的会话中将给定的检查点(或缺少最新的检查点)还原到此图中.最后,它在给定的 export_dir_base 下面创建一个时间戳的导出目录,并将 SavedModel 写入其中,其中包含从此会话保存的单个 MetaGraphDef.

导出的 MetaGraphDef 将为从 model_fn 返回的 export_outputs 字典的每个元素提供一个 SignatureDef,使用相同的键命名.这些密钥之一始终是signature_constants.DEFAULT_SERVING_SIGNATURE_DEF_KEY,指示当一个服务请求没有指定时将提供哪个签名.对于每个签名,输出由相应的ExportOutputs 提供,并且输入始终是由 serve_input_receiver_fn 提供的输入接收器.

额外的资产可以通过 extra_assets 参数写入 SavedModel.这应该是一个 dict,其中每个键都给出了相对于 assets.extra 目录的目标路径(包括文件名).相应的值给出要复制的源文件的完整路径.例如,复制单个文件而不重命名的简单情况被指定为:{'my_asset_file.txt': '/path/to/my_asset_file.txt'}.

ARGS:

  • export_dir_base:一个包含一个目录的字符串,用于创建包含导出的 SavedModels 的时间戳子目录.
  • serving_input_receiver_fn:一个不带参数并返回 ServingInputReceiver 的函数.
  • assets_extra:指定如何在导出的 SavedModel 中填充 asset.extra 目录的 dict,如果为 None,则不需要额外的资源.
  • as_text:是否以文本格式写入 SavedModel 原型.
  • checkpoint_path:要导出的检查点路径.如果为 None(默认值),则选择在模型目录中找到的最新检查点.

返回:

导出目录的字符串路径.

注意:

  • ValueError:如果没有提供 serve_input_receiver_fn,则不提供 export_outputs,或者没有找到任何检查点.

predict

predict(
    input_fn,
    predict_keys=None,
    hooks=None,
    checkpoint_path=None
)

返回给定功能的预测.

ARGS:

  • input_fn:输入函数返回的特征,是字符串特征名称字典的 Tensor 或 SparseTensor.如果它返回一个元组,则第一个项目被提取为特征.预测继续,直到input_fn 引发 end-of-input 异常(OutOfRangeError 或 StopIteration).
  • predict_keys:str 列表,要预测的键的名称.如果 EstimatorSpec.predictions 是 dict,则使用它.如果使用 predict_keys,那么其余的预测将从字典中过滤掉.如果为 None,则返回所有.
  • hooks:SessionRunHook 子类实例列表.用于预测调用内的回调.
  • checkpoint_path:对具体检查点的路径进行预测.如果为 None,则使用 model_dir 中的最新检查点.

得到:

计算预测张量的值.

注意:

  • ValueError:在 model_dir 中找不到训练有素的模型.
  • ValueError:如果批量长度的预测不一致.
  • ValueError:如果 predict_keys 和 predictions 之间存在冲突.例如,如果 predict_keys 不是 None,但 EstimatorSpec.predictions 不是 dict.

train

train(
    input_fn,
    hooks=None,
    steps=None,
    max_steps=None
)

训练一个给定训练数据 input_fn 的模型.

ARGS:

  • input_fn:输入函数返回一个元组:features - Dictionary 的字符串特征名到 Tensor 或 SparseTensor.labels - Tensor 或带标签的张量字典.
  • hooks:SessionRunHook 子类实例列表.用于训练循环内的回调.
  • steps:用于训练模型的步骤数.如果为 None,永远训练或训练直到 input_fn 生成 OutOfRange 或 StopIteration 错误.“steps”是逐步进行的.如果你调用两次 train(steps = 10),那么 train 总共有20步.如果 OutOfRange 或 StopIteration 在中间出现差错,train将在前20步之前停止.如果您不想增加行为,请设置 max_steps 代替.如果设置,max_steps 必须为 None.
  • max_steps:用于 train 模型的总步骤数.如果为 None,永远训练或训练,直到 input_fn 生成 OutOfRange 或 StopIteration 错误.如果设置,steps 必须为None.如果 OutOfRange 或者 StopIteration 在中间出现差错,训练之前应停止 max_steps 步骤.两次调用 train (steps=100) 意味着 200次 train 迭代.另一方面,两个调用 train(max_steps=100)意味着第二次调用将不会执行任何迭代,因为第一次调用完成了所有的100个步骤.

返回:

返回 self,用于链接.

注意:

  • ValueError:如果两个 steps 和 max_steps 都不是 None.
  • ValueError:如果任一 steps 或是 max_steps <= 0.


以上内容是否对您有帮助:
在线笔记
App下载
App下载

扫描二维码

下载编程狮App

公众号
微信公众号

编程狮公众号

意见反馈
返回顶部