tf.contrib.estimator.multi_class_head

Создаёт _Head для многоклассовой классификации.

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

Использует sparse_softmax_cross_entropy функцию потерь.

Этот модуль ожидает logits с формой [D0, D1, ... DN, n_classes]. Во многих приложениях форма имеет вид [batch_size, n_classes].

labels должен быть плотным Tensor с формой, соответствующей logits, а именно [D0, D1, ... DN, 1]. Если label_vocabulary задан, то labels должен быть строковым Tensor со значениями из словаря. Если label_vocabulary не задан, то labels должен быть целочисленным Tensor со значениями, определяющими индекс класса.

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

Функция потерь представляет собой взвешенную сумму по входным измерениям. То есть, если входные метки имеют форму [batch_size, 1], функция потерь представляет собой взвешенную сумму по batch_size.

Также поддерживает пользовательские loss_fn. loss_fn принимает (labels, logits) или (labels, logits, features) в качестве аргументов и возвращает нередуцированные потери с формой [D0, D1, ... DN, 1]. loss_fn должен поддерживать целочисленные labels с формой [D0, D1, ... DN, 1]. То есть, модуль применяет label_vocabulary к входным меткам перед передачей их в loss_fn.

Этот модуль может использоваться с готовым оценщиком. Пример:

my_head = tf.contrib.estimator.multi_class_head(n_classes=3)
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.multi_class_head(n_classes=3)
  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)