tf.contrib.learn.DNNLinearCombinedClassifier

Классификатор для моделей TensorFlow Linear и DNN объединённого обучения.

Наследуется от: Estimator

tf.contrib.learn.DNNLinearCombinedClassifier(
    model_dir=None, n_classes=2, weight_column_name=None,
    linear_feature_columns=None, linear_optimizer=None, _joint_linear_weights=False,
    dnn_feature_columns=None, dnn_optimizer=None, dnn_hidden_units=None,
    dnn_activation_fn=tf.nn.relu, dnn_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,
    fix_global_step_increment_bug=False
)

ЭТОТ КЛАСС УСТАНОВЛЕН КАК УСТАРЕВШИЙ. Обратитесь к contrib/learn/README.md для общих инструкций по миграции.

Примечание: Новые пользователи должны установить fix_global_step_increment_bug=True при создании оценщика.

Пример:

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

sparse_feature_a_x_sparse_feature_b = crossed_column(...)

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 = DNNLinearCombinedClassifier(
    # common settings
    n_classes=n_classes,
    weight_column_name=weight_column_name,
    # wide settings
    linear_feature_columns=[sparse_feature_a_x_sparse_feature_b],
    linear_optimizer=tf.compat.v1.train.FtrlOptimizer(...),
    # deep settings
    dnn_feature_columns=[sparse_feature_a_emb, sparse_feature_b_emb],
    dnn_hidden_units=[1000, 500, 100],
    dnn_optimizer=tf.compat.v1.train.AdagradOptimizer(...))

# Input builders
def input_fn_train: # returns x, y (where y represents label's class index).
  ...
def input_fn_eval: # returns x, y (where y represents label's class index).
  ...
def input_fn_predict: # returns x, None.
  ...
estimator.fit(input_fn=input_fn_train)
estimator.evaluate(input_fn=input_fn_eval)
# 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 = DNNLinearCombinedClassifier(
    n_classes=n_classes,
    linear_feature_columns=[sparse_feature_a_x_sparse_feature_b],
    dnn_feature_columns=[sparse_feature_a_emb, sparse_feature_b_emb],
    dnn_hidden_units=[1000, 500, 100],
    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 возникнет KeyError:

• если weight_column_name не None, признак с key=weight_column_name, значение которого является Tensor.
• для каждого column в dnn_feature_columns + linear_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 id, второй с key именем столбца веса. Значения обоих признаков должны быть SparseTensor.
  • если column является RealValuedColumn, a feature withkey=column.namewhosevalueis aTensor`.

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. BasEstimator.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 график вывода в виде SavedModel в заданную директорию.

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 для 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
)

Инкрементное обучение на наборе выборок. (устаревшие аргументы)

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

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

predict

Просмотреть исходный код

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

Возвращает прогнозы 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 вероятности прогнозов для заданных признаков. (устаревшие значения аргументов)

set_params

Просмотреть исходный код

set_params(
    **params
)

Устанавливает параметры этого оценщика.

Метод работает как с простыми оценщиками, так и со вложенными объектами (такими как конвейеры). У первых параметры имеют вид <component>__<parameter>, чтобы можно было обновлять каждый компонент вложенного объекта.