tf.contrib.estimator.DNNClassifierWithLayerAnnotations

Классификатор для моделей TensorFlow DNN с аннотациями слоёв.

tf.contrib.estimator.DNNClassifierWithLayerAnnotations(
    hidden_units, feature_columns, model_dir=None, n_classes=2, weight_column=None,
    label_vocabulary=None, optimizer='Adagrad', activation_fn=tf.nn.relu,
    dropout=None, input_layer_partitioner=None, config=None, warm_start_from=None,
    loss_reduction=losses.Reduction.SUM
)

Этот классификатор функционально идентичен классификатору estimator.DNNClassifier, что касается обучения и оценки моделей. Ключевое различие заключается в том, что этот классификатор добавляет дополнительные аннотации слоёв, которые могут быть использованы для вычисления интегрированных градиентов.

Интегрированные градиенты — это метод присвоения прогнозов классификатора входным признакам (https://arxiv.org/pdf/1703.01365.pdf). Для данного входного экземпляра метод назначает баллы атрибуции отдельным признакам пропорционально важности признака для прогноза классификатора.

См. estimator.DNNClassifer для примера кода обучения и оценки моделей с использованием этого классификатора.

Этот классификатор совместим с контрольными точками классификатора estimator.DNNClassifier, и поэтому следующее должно работать беспрепятственно:

Инициализация обычного оценщика как обычно.

estimator = tf.estimator.DNNClassifier( config, feature_columns, hidden_units, ...)

Обучить оценщик, экспортировать контрольную точку.

tf.estimator.train_and_evaluate(estimator, ...)

Инициализировать оценщик с аннотациями с той же конфигурацией, что и

обычный оценщик.

estimator_with_annotations = ( tf.contrib.estimator.DNNClassifierWithLayerAnnotations( config, feature_columns, hidden_units, ...))

Вызов export_savedmodel с теми же аргументами, что и у обычного оценщика,

используя контрольную точку, созданную для обычного оценщика.

estimator_with_annotations.export_saved_model( export_dir_base, serving_input_receiver, ... checkpoint_path='/path/to/ordinary/estimator/checkpoint/model.ckpt-1234')