tf.contrib.estimator.multi_label_head

Создаёт _Head для многоклассовой классификации.

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

Многоклассовая классификация обрабатывает случай, когда каждый пример может иметь ноль или более связанных меток из дискретного набора. Это отличается от multi_class_head, в котором на каждый пример приходится ровно одна метка.

Использует sigmoid_cross_entropy потерь, усреднённых по классам и взвешенную сумму по пакету. Иными словами, если входные логиты имеют форму [batch_size, n_classes], потери представляют собой среднее значение по n_classes и взвешенную сумму по batch_size.

Этот заголовок ожидает logits с формой [D0, D1, ... DN, n_classes]. Во многих приложениях форма представляет собой [batch_size, n_classes].

Метки могут быть:

• Многомерный тензор с формой [D0, D1, ... DN, n_classes]
• Целое число SparseTensor индексов классов. dense_shape должны быть [D0, D1, ... DN, ?], а значения внутри [0, n_classes).
• Если label_vocabulary задан, строковый SparseTensor. dense_shape должны быть [D0, D1, ... DN, ?], а значения внутри label_vocabulary или многомерный тензор с формой [D0, D1, ... DN, n_classes].

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

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 индикатор labels с формой [D0, D1, ... DN, n_classes]. То есть, заголовок применяет label_vocabulary к входным меткам перед передачей их loss_fn.

Этот заголовок может быть использован с готовым оценщиком. Пример:

my_head = tf.contrib.estimator.multi_label_head(n_classes=3)
my_estimator = tf.estimator.DNNEstimator(
    head=my_head,
    hidden_units=...,
    feature_columns=...)

Он также может быть использован с пользовательским model_fn. Пример:

def _my_model_fn(features, labels, mode):
  my_head = tf.contrib.estimator.multi_label_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)