tf.contrib.learn.DNNLinearCombinedEstimator

Эстиматор для моделей TensorFlow Linear и DNN, объединённых для обучения.

Наследуется от: Estimator

tf.contrib.learn.DNNLinearCombinedEstimator(
    head, model_dir=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=None, dnn_dropout=None,
    gradient_clip_norm=None, config=None, feature_engineering_fn=None,
    embedding_lr_multipliers=None, fix_global_step_increment_bug=False,
    input_layer_partitioner=None
)

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

Примечание: Новым пользователям необходимо установить fix_global_step_increment_bug=True при создании эстиматора.

Входные данные fit, train, и evaluate должны иметь следующие атрибуты, иначе произойдёт KeyError: если weight_column_name не None, атрибут с key=weight_column_name, значение которого — Tensor. Для каждого column в dnn_feature_columns + linear_feature_columns.

- if `column` is a `SparseColumn`, a feature with `key=column.name`
  whose `value` is a `SparseTensor`.
- if `column` is a `WeightedSparseColumn`, two features: the first with
  `key` the id column name, the second with `key` the weight column
  name. Both features' `value` must be a `SparseTensor`.
- if `column` is a `RealValuedColumn, a feature with `key=column.name`
  whose `value` is a `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=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 граф вывода в указанный каталог. (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 вывода 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. (аргументы устарели)

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
)

Инкрементное обучение на наборе образцов. (аргументы устарели)

Ожидается, что этот метод будет вызываться несколько раз последовательно на разных или одних и тех же частях 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 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,
    iterate_batches=False
)

Возвращает предсказания для заданных признаков. (аргументы устарели)

set_params

Просмотреть исходный код

set_params(
    **params
)

Устанавливает параметры этого оценщика.

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