tf.contrib.learn.DynamicRnnEstimator

Динамически развёрнутый RNN (устаревший).

Наследуется от: Estimator

tf.contrib.learn.DynamicRnnEstimator(
    problem_type, prediction_type, sequence_feature_columns,
    context_feature_columns=None, num_classes=None, num_units=None,
    cell_type='basic_rnn', optimizer='SGD', learning_rate=0.1,
    predict_probabilities=False, momentum=None, gradient_clipping_norm=5.0,
    dropout_keep_probabilities=None, model_dir=None, feature_engineering_fn=None,
    config=None
)

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

Аргументы
`problem_type`	является ли `Estimator` предназначен для задачи регрессии или классификации. Значение должно быть одним из `ProblemType.CLASSIFICATION` или `ProblemType.LINEAR_REGRESSION`.
`prediction_type`	должен ли `Estimator` возвращать значение для каждого шага в последовательности или только одно значение для последнего временного шага. Должно быть одним из `PredictionType.SINGLE_VALUE` или `PredictionType.MULTIPLE_VALUE`.
`sequence_feature_columns`	Итерируемый объект, содержащий все столбцы признаков, описывающие последовательные признаки. Все элементы в итерируемом объекте должны быть экземплярами классов, производных от `FeatureColumn`.
`context_feature_columns`	Итерируемый объект, содержащий все столбцы признаков, описывающие контекстные признаки, то есть признаки, применимые ко всем временным шагам. Все элементы в множестве должны быть экземплярами классов, производных от `FeatureColumn`.
`num_classes`	количество классов для задачи классификации. Используется только когда `problem_type=ProblemType.CLASSIFICATION`.
`num_units`	Список целых чисел, указывающих количество единиц в `RNNCell` в каждом слое.
`cell_type`	Подкласс `RNNCell` или одно из 'basic_rnn', 'lstm' или 'gru'.
`optimizer`	Тип оптимизатора для использования. Либо подкласс `Optimizer`, экземпляр `Optimizer`, обратный вызов, возвращающий оптимизатор, или строка. Строки должны быть одним из 'Adagrad', 'Adam', 'Ftrl', 'Momentum', 'RMSProp' или 'SGD'. См. `layers.optimize_loss` для получения более подробной информации.
`learning_rate`	Скорость обучения. Этот аргумент не имеет эффекта, если `optimizer` является экземпляром `Optimizer`.
`predict_probabilities`	Логическое значение, указывающее, предсказывать ли вероятности для всех классов. Используется только если `problem_type` является `ProblemType.CLASSIFICATION`
`momentum`	Значение импульса. Используется только если `optimizer` равно 'Momentum'.
`gradient_clipping_norm`	Параметр, используемый для обрезки градиента. Если `None`, то обрезка не выполняется.
`dropout_keep_probabilities`	Список вероятностей дропаута или `None`. Если задан список, его длина должна быть `len(num_units) + 1`. Если `None`, то дропаут не применяется.
`model_dir`	Каталог, в котором необходимо сохранить и восстановить модель графа, параметры и т. д.
`feature_engineering_fn`	Принимает признаки и метки, которые являются результатом `input_fn` и возвращает признаки и метки, которые будут переданы в `model_fn`. Пожалуйста, проверьте `model_fn` для определения признаков и меток.
`config`	Экземпляр `RunConfig`

Исключения
`ValueError`	`problem_type` не является одним из `ProblemType.LINEAR_REGRESSION` или `ProblemType.CLASSIFICATION`.
`ValueError`	`problem_type` равен `ProblemType.CLASSIFICATION`, но `num_classes` не указан.
`ValueError`	`prediction_type` не является одним из `PredictionType.MULTIPLE_VALUE` или `PredictionType.SINGLE_VALUE`.

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

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)

Исключения
`ValueError`	Если хотя бы один из `x` или `y` задан, и хотя бы один из `input_fn` или `feed_fn` задан. Или если `metrics` не является `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 граф вывода в указанный каталог. (устаревший)

Аргументы
`export_dir`	Строка, содержащая каталог для записи экспортированного графа и контрольных точек.
`input_fn`	Если `use_deprecated_input_fn` равно true, то функция, которая, принимая `Tensor` строк `Example`, парсит их в признаки, которые затем передаются в модель. В противном случае функция, которая не принимает аргументов и возвращает кортеж (признаки, метки), где признаки — это словарь со строковыми ключами к `Tensor`, а метки — это `Tensor`, который в данный момент не используется (и поэтому может быть `None`).
`input_feature_key`	Используется только если `use_deprecated_input_fn` равно false. Строковый ключ в словаре признаков, возвращаемом `input_fn`, который соответствует исходным `Example` строкам `Tensor`, которые экспортированная модель будет принимать на вход. Может быть только `None` если вы используете настраиваемый `signature_fn` который не использует первый аргумент (примеры).
`use_deprecated_input_fn`	Определяет формат сигнатуры `input_fn`.
`signature_fn`	Функция, возвращающая стандартную сигнатуру и карту именованных сигнатур, заданную `Tensor` из `Example` строк, `dict` из `Tensor` для признаков и `Tensor` или `dict` из `Tensor` для предсказаний.
`prediction_key`	Ключ для тензора в словаре `predictions` (вывод из `model_fn`) для использования в качестве входного `predictions` в `signature_fn`. Необязательно. Если `None`, предсказания будут передаваться в `signature_fn` без фильтрации.
`default_batch_size`	Значение по умолчанию для размера пакета `Example` placeholder.
`exports_to_keep`	Количество экспортов для сохранения.
`checkpoint_path`	путь контрольной точки модели для экспорта. Если это `None` (по умолчанию), будет использоваться последняя контрольная точка в export_dir.

Возвращаемое значение
Путь к экспортированному каталогу. Примечание: эта функциональность была добавлена приблизительно 2016/09/25; клиентам, зависящим от возвращаемого значения, может потребоваться обработать случай, когда эта функция возвращает None, потому что подклассы не возвращают значение.

Возвращаемое значение

Путь к экспортированному каталогу. Примечание: эта функциональность была добавлена приблизительно 2016/09/25; клиентам, зависящим от возвращаемого значения, может потребоваться обработать случай, когда эта функция возвращает None, потому что подклассы не возвращают значение.

`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.

Аргументы
`export_dir_base`	Строка, содержащая каталог для записи экспортированного графа и контрольных точек.
`serving_input_fn`	Функция, которая не принимает аргументов и возвращает `InputFnOps`.
`default_output_alternative_key`	Имя головки для обслуживания, если не указано. Не нужно для моделей с одной головкой.
`assets_extra`	Словарь, определяющий, как заполнить каталог assets.extra в экспортированном SavedModel. Каждый ключ должен указывать путь назначения (включая имя файла) относительно каталога assets.extra. Соответствующее значение указывает полный путь исходного файла, который необходимо скопировать. Например, простой случай копирования одного файла без переименования задаётся как `{'my_asset_file.txt': '/path/to/my_asset_file.txt'}`.
`as_text`	Флаг, указывающий на необходимость записи протокола SavedModel в текстовом формате.
`checkpoint_path`	Путь к контрольной точке для экспорта. Если None (по умолчанию), выбирается самая последняя контрольная точка, найденная в каталоге модели.
`graph_rewrite_specs`	Итерируемый объект `GraphRewriteSpec`. Каждый элемент создаст отдельный MetaGraphDef в экспортированном SavedModel, помеченный и переписанный, как указано. По умолчанию используется один элемент с тегом по умолчанию ("serve") и без переписывания.
`strip_default_attrs`	Логическое значение. Если `True`, атрибуты с значениями по умолчанию будут удалены из NodeDefs. Для подробного руководства см. Удаление атрибутов с значениями по умолчанию.

Возвращаемое значение
Строка пути к экспортированной директории.

Исключения
`ValueError`	если запрошен неизвестный тип экспорта export_type.

`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)

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

`get_params`

Просмотреть исходный код

get_params(
    deep=True
)

Получить параметры этого оценщика.

Аргументы
`deep`	boolean, необязательно Если `True`, вернет параметры этого оценщика и содержащихся в нем под-объектов, которые являются оценщиками.

Возвращаемое значение
`params`	сопоставление строки с любым Значения параметров, сопоставленные с их значениями.

`get_variable_names`

Просмотреть исходный код

get_variable_names()

Возвращает список всех имен 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
)

Инкрементальное обучение на наборе выборок. (устаревшие аргументы)

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

Это особенно полезно, когда весь набор данных слишком большой, чтобы поместиться в памяти одновременно. Или когда модели требуется много времени для сходимости, и вы хотите разбить обучение на части.

Аргументы
`x`	Матрица размера [n_samples, n_features...]. Может быть итератором, возвращающим массивы признаков. Примеры обучающих входных данных для обучения модели. Если задано, `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 задано, `input_fn` должно быть `None`.
`input_fn`	Функция ввода. Если задано, `x`, `y`, и `batch_size` должны быть `None`.
`steps`	Количество шагов для обучения модели. Если `None`, обучение продолжается бесконечно.
`batch_size`	Размер мини-пакета для использования на входе, по умолчанию - первое измерение `x`. Должен быть `None`, если задан `input_fn`.
`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, а `input_fn` также предоставлен.

`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. (устаревшие аргументы)

Аргументы
`x`	Матрица размера [n_samples, n_features...]. Может быть итератором, возвращающим массивы признаков. Примеры обучающих входных данных для обучения модели. Если задано, `input_fn` должно быть `None`.
`input_fn`	Функция ввода. Если задано, `x` и 'batch_size' должны быть `None`.
`batch_size`	Переопределённый размер пакета по умолчанию. Если задано, 'input_fn' должно быть 'None'.
`outputs`	список `str`, имя выходного значения для предсказания. Если `None`, возвращает все.
`as_iterable`	Если True, возвращает итерируемый объект, который продолжает возвращать предсказания для каждого примера до тех пор, пока входные данные не закончатся. Примечание: входные данные должны завершаться, если вы хотите, чтобы итерируемый объект завершался (например, убедитесь, что вы передаёте num_epochs=1, если вы используете что-то вроде read_batch_features).
`iterate_batches`	Если True, возвращает весь пакет сразу вместо разбиения пакета на отдельные образцы. Актуально только когда as_iterable равно True.

Возвращаемое значение

Возвращаемое значение
Массив NumPy предсказанных классов или значений регрессии, если конструктор `model_fn` возвращает `Tensor` для `predictions` или массив NumPy-массивов, если `model_fn` возвращает `dict`. Возвращает итерируемый объект предсказаний, если as_iterable равно True.

Массив NumPy предсказанных классов или значений регрессии, если конструктор model_fn возвращает Tensor для predictions или массив NumPy-массивов, если model_fn возвращает dict. Возвращает итерируемый объект предсказаний, если as_iterable равно True.

Исключения
`ValueError`	Если x и input_fn оба предоставлены или оба `None`.

`set_params`

Просмотреть исходный код

set_params(
    **params
)

Установить параметры этого оценщика.

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

Аргументы
`**params`	Параметры.

Возвращаемое значение
self

Исключения
`ValueError`	Если параметры содержат недопустимые имена.

© 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/learn/DynamicRnnEstimator