tf.contrib.estimator.DNNRegressorWithLayerAnnotations

Регрессор для моделей TensorFlow DNN с аннотациями слоёв.

tf.contrib.estimator.DNNRegressorWithLayerAnnotations(
    hidden_units, feature_columns, model_dir=None, label_dimension=1,
    weight_column=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 регрессор функционально идентичен estimator.DNNRegressor в отношении обучения и оценки моделей. Основное отличие заключается в том, что этот классификатор добавляет дополнительные аннотации слоёв, которые могут быть использованы для вычисления интегрированных градиентов.

Интегрированные градиенты — это метод, который позволяет присвоить предсказания классификатора определённым входным признакам (https://arxiv.org/pdf/1703.01365.pdf). Для конкретного входного объекта метод присваивает баллы значимости отдельным признакам пропорционально важности признака для предсказания классификатором.

Обратитесь к estimator.DNNRegressor для примеров кода обучения и оценки моделей с использованием этого регрессора.

Этот регрессор совместим с контрольными точками estimator.DNNRegressor, поэтому следующее должно работать без проблем:

Инициализация обычного оценщика как обычно.

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

Обучение оценщика, экспорт контрольной точки.

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

Инициализация оценщика с аннотациями с теми же настройками, что и

обычный оценщик.

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

Вызов export_savedmodel с теми же аргументами, что и обычный оценщик,

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')