tf.contrib.estimator.binary_classification_head

Создаёт _Head для бинарной классификации с одним меткой.

tf.contrib.estimator.binary_classification_head(
    weight_column=None, thresholds=None, label_vocabulary=None,
    loss_reduction=losses.Reduction.SUM_OVER_BATCH_SIZE, loss_fn=None, name=None
)

Этот head использует sigmoid_cross_entropy_with_logits функцию потерь.

Head ожидает logits с формой [D0, D1, ... DN, 1]. Во многих приложениях форма является [batch_size, 1].

labels должен быть плотными Tensor с формой, соответствующей logits, а именно [D0, D1, ... DN, 1]. Если label_vocabulary задан, labels должен быть строковым Tensor со значениями из словаря. Если label_vocabulary не задан, labels должен быть числовым Tensor со значениями в интервале [0, 1].

Если weight_column указан, веса должны иметь форму [D0, D1, ... DN], или [D0, D1, ... DN, 1].

Функция потерь является взвешенной суммой по входным измерениям. А именно, если входные метки имеют форму [batch_size, 1], функция потерь — это взвешенная сумма по batch_size.

Также поддерживает пользовательские loss_fn. loss_fn принимает (labels, logits) или (labels, logits, features) в качестве аргументов и возвращает нередуцированную функцию потерь с формой [D0, D1, ... DN, 1]. loss_fn должен поддерживать числовые labels с формой [D0, D1, ... DN, 1]. А именно, head применяет label_vocabulary к входным меткам перед передачей их loss_fn.

Head может быть использован с готовым оценщиком. Пример:

my_head = tf.contrib.estimator.binary_classification_head()
my_estimator = tf.estimator.DNNEstimator(
    head=my_head,
    hidden_units=...,
    feature_columns=...)

Он также может быть использован с пользовательской model_fn. Пример:

def _my_model_fn(features, labels, mode):
  my_head = tf.contrib.estimator.binary_classification_head()
  logits = tf.keras.Model(...)(features)

  return my_head.create_estimator_spec(
      features=features,
      mode=mode,
      labels=labels,
      optimizer=tf.AdagradOptimizer(learning_rate=0.1),
      logits=logits)

my_estimator = tf.estimator.Estimator(model_fn=_my_model_fn)