tf.contrib.factorization.GMM

Оценщик для кластеризации GMM.

Наследуется от: Estimator

tf.contrib.factorization.GMM(
    num_clusters, model_dir=None, random_seed=0, params='wmc',
    initial_clusters='random', covariance_type='full', config=None
)

Аргументы
`num_clusters`	количество кластеров для обучения.
`model_dir`	директория для сохранения результатов модели и лог-файлов.
`random_seed`	Целое число Python. Зерно для ПРНГ, используемого для инициализации центров.
`params`	Управляет параметрами, обновляемыми в процессе обучения. Может содержать любое сочетание «w» для весов, «m» для средних значений и «c» для ковариаций.
`initial_clusters`	указывает, как инициализировать кластеры для обучения. См. gmm_ops.gmm для возможных значений.
`covariance_type`	одно из "full", "diag".
`config`	См. Оценщик

Атрибуты
`config`
`model_dir`	Возвращает путь, в котором процесс оценки будет искать контрольные точки.
`model_fn`	Возвращает model_fn, привязанный к self.params.

Методы

`clusters`

Просмотреть исходный код

clusters()

Возвращает центры кластеров.

`covariances`

Просмотреть исходный код

covariances()

Возвращает ковариации.

`evaluate`

Просмотреть исходный код

evaluate(
    x=None, y=None, input_fn=None, feed_fn=None, batch_size=None, steps=None,
    metrics=None, name=None, checkpoint_path=None, hooks=None, log_progress=True
)

См. Evaluable. (аргументы устарели)

Исключения
`ValueError`	Если хотя бы один из `x` или `y` предоставлен, и, по крайней мере, один из `input_fn` или `feed_fn` предоставлен. Или если `metrics` не `None` или `dict`.

`export`

Просмотреть исходный код

export(
    export_dir, input_fn=export._default_input_fn, input_feature_key=None,
    use_deprecated_input_fn=True, signature_fn=None, prediction_key=None,
    default_batch_size=1, exports_to_keep=None, checkpoint_path=None
)

Экспортирует график вывода в указанную директорию. (устарело)

Аргументы
`export_dir`	Строка, содержащая директорию для записи экспортированного графика и контрольных точек.
`input_fn`	Если `use_deprecated_input_fn` имеет значение true, то функция, которая, принимая `Tensor` строк `Example`, анализирует их в признаки, которые затем передаются модели. В противном случае, функция, которая не принимает аргументов и возвращает кортеж из (признаки, метки), где признаки — это словарь со строковым ключом к `Tensor`, а метки — `Tensor`, которые в настоящее время не используются (и поэтому могут быть `None`).
`input_feature_key`	Используется только если `use_deprecated_input_fn` имеет значение false. Строковый ключ в словаре признаков, возвращаемом `input_fn`, который соответствует необработанным `Example` строкам `Tensor`, которые экспортированная модель будет принимать в качестве входных данных. Может быть только `None` , если вы используете пользовательскую `signature_fn`, которая не использует первый аргумент (примеры).
`use_deprecated_input_fn`	Определяет формат сигнатуры `input_fn`.
`signature_fn`	Функция, которая возвращает стандартную подпись и карту именованных подписей, учитывая `Tensor` строк `Example`, `dict` `Tensor`, предназначенных для признаков, и `Tensor` или `dict` `Tensor` для прогнозов.
`prediction_key`	Ключ для тензора в словаре `predictions` (выходной параметр `model_fn`) для использования в качестве входных данных `predictions` в `signature_fn`. Необязательно. Если `None`, прогнозы будут переданы в `signature_fn` без фильтрации.
`default_batch_size`	Стандартный размер пакета `Example` плацехолдера.
`exports_to_keep`	Количество экспортов для сохранения.
`checkpoint_path`	Путь к контрольной точке модели, подлежащей экспорту. Если это `None` (что является значением по умолчанию), будет использоваться последняя контрольная точка в export_dir.

Возвращает
Путь к строке экспортированной директории. Примечание: эта функция была добавлена приблизительно в 2016/09/25; клиентам, зависящим от возвращаемого значения, может потребоваться обработать случай, когда эта функция возвращает None, так как подклассы не возвращают значения.

Возвращает

Путь к строке экспортированной директории. Примечание: эта функция была добавлена приблизительно в 2016/09/25; клиентам, зависящим от возвращаемого значения, может потребоваться обработать случай, когда эта функция возвращает None, так как подклассы не возвращают значения.

`export_savedmodel`

Просмотреть исходный код

export_savedmodel(
    export_dir_base, serving_input_fn, default_output_alternative_key=None,
    assets_extra=None, as_text=False, checkpoint_path=None,
    graph_rewrite_specs=(GraphRewriteSpec((tag_constants.SERVING,), ()),),
    strip_default_attrs=False
)

Экспортирует график вывода в виде SavedModel в указанную директорию.

Аргументы
`export_dir_base`	Строка, содержащая директорию для записи экспортированного графика и контрольных точек.
`serving_input_fn`	Функция, которая не принимает аргументов и возвращает `InputFnOps`.
`default_output_alternative_key`	Имя заголовка для обработки, если не указан. Не требуется для моделей с одним заголовком.
`assets_extra`	Словарь, определяющий способ заполнения директории assets.extra экспортированного SavedModel. Каждый ключ должен указать путь назначения (включая имя файла) относительно директории assets.extra. Соответствующее значение указывает полный путь к исходному файлу, подлежащему копированию. Например, простой случай копирования одного файла без переименования задается как `{'my_asset_file.txt': '/path/to/my_asset_file.txt'}`.
`as_text`	нужно ли записывать протокол SavedModel в текстовом формате.
`checkpoint_path`	Путь к контрольной точке для экспорта. Если None (значение по умолчанию), выбирается последняя контрольная точка, найденная в директории модели.
`graph_rewrite_specs`	Итерируемый список `GraphRewriteSpec`. Каждый элемент создаст отдельный MetaGraphDef внутри экспортированного SavedModel, помеченный и переписанный как указано. По умолчанию используется один элемент с использованием стандартной метки обслуживания ("serve") и без переписывания.
`strip_default_attrs`	Булево значение. Если `True`, атрибуты со значениями по умолчанию будут удалены из NodeDefs. Более подробное руководство см. Удаление атрибутов со значениями по умолчанию.

Возвращает
Путь к строке экспортированной директории.

Исключения
`ValueError`	если затребован неизвестный тип экспорта.

`fit`

Просмотреть исходный код

fit(
    x=None, y=None, input_fn=None, steps=None, batch_size=None, monitors=None,
    max_steps=None
)

См. Trainable. (аргументы устарели)

Исключения
`ValueError`	Если `x` или `y` не `None` в то время как `input_fn` не `None`.
`ValueError`	Если оба `steps` и `max_steps` не `None`.

`get_params`

Просмотреть исходный код

get_params(
    deep=True
)

Получить параметры для этого оценщика.

Аргументы
`deep`	boolean, optional Если `True`, вернет параметры для этого оценщика и содержащихся подобъектов, которые являются оценщиками.

Возвращаемое значение
`params`	отображение строки на любой параметр, имена параметров сопоставлены со значениями.

`get_variable_names`

Просмотреть исходный код

get_variable_names()

Возвращает список всех имён переменных в этой модели.

Возвращаемое значение
Список имён.

`get_variable_value`

Просмотреть исходный код

get_variable_value(
    name
)

Возвращает значение переменной, заданной по имени.

Аргументы
`name`	строка, имя тензора.

Возвращаемое значение
Массив NumPy - значение тензора.

`partial_fit`

Просмотреть исходный код

partial_fit(
    x=None, y=None, input_fn=None, steps=1, batch_size=None, monitors=None
)

Инкрементная подгонка к набору образцов. (устаревшие аргументы)

Ожидается, что этот метод будет вызываться несколько раз последовательно на различных или одинаковых фрагментах набора данных. Это может реализовать итеративное обучение или обучение вне памяти/онлайн.

Это особенно полезно, когда весь набор данных слишком велик, чтобы поместиться в памяти одновременно. Или когда модели требуется длительное время для сходимости, и вы хотите разбить обучение на подчасти.

Аргументы
`x`	Матрица формы [n_samples, n_features...]. Может быть итератором, возвращающим массивы признаков. Образцы входных данных для обучения модели. Если установлено, `input_fn` должно быть `None`.
`y`	Вектор или матрица [n_samples] или [n_samples, n_outputs]. Может быть итератором, возвращающим массив меток. Значения меток обучения (метки классов в классификации, вещественные числа в регрессии). Если установлено, `input_fn` должно быть `None`.
`input_fn`	Функция ввода. Если установлено, `x`, `y`, и `batch_size` должны быть `None`.
`steps`	Количество шагов, на которых необходимо обучить модель. Если `None`, обучаться бесконечно.
`batch_size`	Размер мини-пакета для использования на входе, по умолчанию совпадает с первым измерением `x`. Должен быть `None` если `input_fn` предоставлено.
`monitors`	Список экземпляров подкласса `BaseMonitor`. Используется для обратных вызовов внутри цикла обучения.

Возвращаемое значение
`self`, для цепочки вызовов.

Исключения
`ValueError`	Если хотя бы один из `x` и `y` предоставлен, и `input_fn` предоставлено.

`predict`

Просмотреть исходный код

predict(
    x=None, input_fn=None, batch_size=None, outputs=None, as_iterable=True,
    iterate_batches=False
)

Возвращает прогнозы для заданных признаков. (устаревшие аргументы)

Аргументы
`x`	Матрица формы [n_samples, n_features...]. Может быть итератором, возвращающим массивы признаков. Образцы входных данных для обучения модели. Если установлено, `input_fn` должно быть `None`.
`input_fn`	Функция ввода. Если установлено, `x` и 'batch_size' должны быть `None`.
`batch_size`	Переопределение размера пакета по умолчанию. Если установлено, 'input_fn' должно быть 'None'.
`outputs`	список `str`, имя выходного значения для прогноза. Если `None`, возвращает все.
`as_iterable`	Если True, возвращает итератор, который продолжает выдавать прогнозы для каждого примера до тех пор, пока входные данные не будут исчерпаны. Примечание: входные данные должны завершиться, если вы хотите, чтобы итератор завершился (например, убедитесь, что вы передаете num_epochs=1, если вы используете что-то вроде read_batch_features).
`iterate_batches`	Если True, возвращает весь пакет сразу, вместо того, чтобы декомпозировать его на отдельные образцы. Актуально только когда as_iterable равно True.

Возвращаемое значение
Массив NumPy предсказанных классов или регрессионных значений, если конструктор `model_fn` возвращает `Tensor` для `predictions` или список массивов NumPy, если `model_fn` возвращает `dict`. Возвращает итератор прогнозов, если as_iterable равно True.

Возбуждает
`ValueError`	Если x и input_fn оба указаны или оба `None`.

`predict_assignments`

Просмотреть исходный код

predict_assignments(
    input_fn=None, batch_size=None, outputs=None
)

См. BaseEstimator.predict.

`score`

Просмотреть исходный код

score(
    input_fn=None, batch_size=None, steps=None
)

Предсказать полную логарифмическую вероятность.

Аргументы
`input_fn`	см. predict.
`batch_size`	см. predict.
`steps`	см. predict.

Возвращает
Полная логарифмическая вероятность.

`set_params`

Просмотреть исходный код

set_params(
    **params
)

Установить параметры данного оценщика.

Метод работает как с простыми оценщиками, так и с вложенными объектами (например, конвейерами). В первом случае параметры имеют вид <component>__<parameter> таким образом, можно обновлять каждый компонент вложенного объекта.

Аргументы
`**params`	Параметры.

Возвращает
self

Возбуждает
`ValueError`	Если params содержат недопустимые имена.

`weights`

Просмотреть исходный код

weights()

Возвращает веса кластеров.

Переменные класса

ASSIGNMENTS = 'assignments'
LOG_LIKELIHOOD = 'loss'
SCORES = 'scores'

© 2020 The TensorFlow Authors. All rights reserved.
Licensed under the Creative Commons Attribution License 3.0.
Code samples licensed under the Apache 2.0 License.
https://www.tensorflow.org/versions/r1.15/api_docs/python/tf/contrib/factorization/GMM