tf.contrib.learn.DNNClassifier

Классификатор для моделей TensorFlow DNN.

Наследуется от: Estimator

tf.contrib.learn.DNNClassifier(
    hidden_units, feature_columns, model_dir=None, n_classes=2,
    weight_column_name=None, optimizer=None, activation_fn=tf.nn.relu, dropout=None,
    gradient_clip_norm=None, enable_centered_bias=False, config=None,
    feature_engineering_fn=None, embedding_lr_multipliers=None,
    input_layer_min_slice_size=None, label_keys=None
)

ЭТОТ КЛАСС УСТАРЕЛ. См. contrib/learn/README.md для общих инструкций по миграции.

Пример:

sparse_feature_a = sparse_column_with_hash_bucket(...)
sparse_feature_b = sparse_column_with_hash_bucket(...)

sparse_feature_a_emb = embedding_column(sparse_id_column=sparse_feature_a,
                                        ...)
sparse_feature_b_emb = embedding_column(sparse_id_column=sparse_feature_b,
                                        ...)

estimator = DNNClassifier(
    feature_columns=[sparse_feature_a_emb, sparse_feature_b_emb],
    hidden_units=[1024, 512, 256])

# Or estimator using the ProximalAdagradOptimizer optimizer with
# regularization.
estimator = DNNClassifier(
    feature_columns=[sparse_feature_a_emb, sparse_feature_b_emb],
    hidden_units=[1024, 512, 256],
    optimizer=tf.compat.v1.train.ProximalAdagradOptimizer(
      learning_rate=0.1,
      l1_regularization_strength=0.001
    ))

# Input builders
def input_fn_train: # returns x, y (where y represents label's class index).
  pass
estimator.fit(input_fn=input_fn_train)

def input_fn_eval: # returns x, y (where y represents label's class index).
  pass
estimator.evaluate(input_fn=input_fn_eval)

def input_fn_predict: # returns x, None
  pass
# predict_classes returns class indices.
estimator.predict_classes(input_fn=input_fn_predict)

Если пользователь указывает label_keys в конструкторе, метки должны быть строками из label_keys словаря. Пример:

label_keys = ['label0', 'label1', 'label2']
estimator = DNNClassifier(
    feature_columns=[sparse_feature_a_emb, sparse_feature_b_emb],
    hidden_units=[1024, 512, 256],
    label_keys=label_keys)

def input_fn_train: # returns x, y (where y is one of label_keys).
  pass
estimator.fit(input_fn=input_fn_train)

def input_fn_eval: # returns x, y (where y is one of label_keys).
  pass
estimator.evaluate(input_fn=input_fn_eval)
def input_fn_predict: # returns x, None
# predict_classes returns one of label_keys.
estimator.predict_classes(input_fn=input_fn_predict)

Входные данные fit и evaluate должны иметь следующие характеристики, в противном случае произойдёт KeyError:

• если weight_column_name не None, признак с key=weight_column_name, значение которого является Tensor.
• для каждого column в feature_columns:
  • если column является SparseColumn, признак с key=column.name, значение которого является SparseTensor.
  • если column является WeightedSparseColumn, два признака: первый с key именем столбца идентификатора, второй с key именем столбца весов. Значение обоих признаков должно быть SparseTensor.
  • если column является RealValuedColumn, признак с key=column.name, значение которого является Tensor.

Методы

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. (устаревшие аргументы)

export

Просмотреть исходный код

export(
    export_dir, input_fn=None, input_feature_key=None, use_deprecated_input_fn=True,
    signature_fn=None, default_batch_size=1, exports_to_keep=None
)

См. BaseEstimator.export. (устарело)

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 граф инференции как SavedModel в указанный каталог.

fit

Просмотреть исходный код

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

См. Trainable. (устаревшие аргументы)

get_params

Просмотреть исходный код

get_params(
    deep=True
)

Получить параметры этого оценщика.

get_variable_names

Просмотреть исходный код

get_variable_names()

Возвращает список всех имён переменных в этой модели.

get_variable_value

Просмотреть исходный код

get_variable_value(
    name
)

Возвращает значение переменной, заданной по имени.

partial_fit

Просмотреть исходный код

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

Инкрементальное обучение на наборе образцов. (аргументы устарели)

Ожидается, что этот метод будет вызываться несколько раз последовательно на разных или одних и тех же фрагментах набора данных. Это может реализовать итеративное обучение или обучение вне памяти/онлайн-обучение.

Это особенно полезно, когда весь набор данных слишком велик, чтобы поместиться в памяти одновременно. Или когда модель долго сходится, и вы хотите разбить обучение на части.

predict

Просмотреть исходный код

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

Возвращает предсказания для заданных признаков. (устаревшие значения аргументов) (устаревшие значения аргументов)

По умолчанию возвращает предсказанные классы. Но это значение по умолчанию скоро будет удалено. Пользователи должны либо передать outputs, либо вызвать метод predict_classes.

predict_classes

Просмотреть исходный код

predict_classes(
    x=None, input_fn=None, batch_size=None, as_iterable=True
)

Возвращает предсказанные классы для заданных признаков. (устаревшие значения аргументов)

predict_proba

Просмотреть исходный код

predict_proba(
    x=None, input_fn=None, batch_size=None, as_iterable=True
)

Возвращает предсказанные вероятности для заданных признаков. (устаревшие значения аргументов)

set_params

Просмотреть исходный код

set_params(
    **params
)

Установить параметры этого оценщика.

Метод работает с простыми оценщиками, а также со вложенными объектами (такими как конвейеры). Первые имеют параметры вида <component>__<parameter>, что позволяет обновлять каждый компонент вложенного объекта.