tf.contrib.estimator.regression_head

Создаёт _Head для регрессии, используя mean_squared_error потерю.

tf.contrib.estimator.regression_head(
    weight_column=None, label_dimension=1,
    loss_reduction=losses.Reduction.SUM_OVER_BATCH_SIZE, loss_fn=None,
    inverse_link_fn=None, name=None
)

Потеря — это взвешенная сумма по всем входным измерениям. То есть, если входные метки имеют размер [batch_size, label_dimension], то потеря — это взвешенная сумма по обоим batch_size и label_dimension.

Этот хед ожидает logits с размером [D0, D1, ... DN, label_dimension]. Во многих приложениях этот размер [batch_size, label_dimension].

Размер labels должен совпадать с размером logits, а именно [D0, D1, ... DN, label_dimension]. Если label_dimension=1, также поддерживается размер [D0, D1, ... DN].

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

Поддерживает пользовательские loss_fn. loss_fn принимает (labels, logits) или (labels, logits, features) в качестве аргументов и возвращает нередуцированную потерю с размером [D0, D1, ... DN, label_dimension].

Также поддерживает пользовательские inverse_link_fn, также известные как «функция среднего значения». inverse_link_fn используется только в режиме PREDICT. Она принимает logits в качестве аргумента и возвращает предсказанные значения. Эта функция является обратной функцией связи, определённой в https://en.wikipedia.org/wiki/Generalized_linear_model#Link_function Например, для регрессии Пуассона установите inverse_link_fn=tf.exp.

Этот хед можно использовать с готовым оценщиком. Пример:

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

Также его можно использовать с пользовательским model_fn. Пример:

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