tf.contrib.learn.LinearEstimator

Линейная модель с заданным пользователем заголовком.

Унаследован от: Estimator

tf.contrib.learn.LinearEstimator(
    feature_columns, head, model_dir=None, weight_column_name=None, optimizer=None,
    gradient_clip_norm=None, _joint_weights=False, config=None,
    feature_engineering_fn=None
)

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

Обучает обобщенную линейную модель для предсказания значения метки на основе наблюдений за значениями признаков.

Пример:

Для выполнения регрессии Пуассона,

sparse_column_a = sparse_column_with_hash_bucket(...)
sparse_column_b = sparse_column_with_hash_bucket(...)

sparse_feature_a_x_sparse_feature_b = crossed_column(...)

estimator = LinearEstimator(
    feature_columns=[sparse_column_a, sparse_feature_a_x_sparse_feature_b],
    head=head_lib.poisson_regression_head())

# Input builders
def input_fn_train: # returns x, y
  ...
def input_fn_eval: # returns x, y
  ...
estimator.fit(input_fn=input_fn_train)
estimator.evaluate(input_fn=input_fn_eval)
estimator.predict(x=x)

Вход fit и evaluate должен иметь следующие признаки, иначе возникнет KeyError:

если weight_column_name не None: ключ=weight_column_name, значение=%%CODE_BLOCK_7%%
для столбца в feature_columns:
- если isinstance(столбец, SparseColumn): ключ=имя_столбца, значение=%%CODE_BLOCK_10%%
- если isinstance(столбец, WeightedSparseColumn): {ключ=имя_столбца, значение=%%CODE_BLOCK_12%%, ключ=имя_столбца_веса, значение=%%CODE_BLOCK_13%%%}
- если isinstance(столбец, RealValuedColumn): ключ=имя_столбца, значение=%%CODE_BLOCK_15%%%

Аргументы
`feature_columns`	Итерируемый объект, содержащий все столбцы признаков, используемые моделью. Все элементы набора должны быть экземплярами классов, производными от `FeatureColumn`.
`head`	Экземпляр класса _Head.
`model_dir`	Каталог для сохранения параметров модели, графа и т. д. Это также можно использовать для загрузки контрольных точек из каталога в оценщик для продолжения обучения ранее сохраненной модели.
`weight_column_name`	Строка, определяющая имя столбца признака, представляющего веса. Используется для снижения или повышения веса примеров во время обучения. Будет умножаться на потерю примера.
`optimizer`	Экземпляр `tf.Optimizer`, используемый для обучения модели. Если `None`, будет использоваться оптимизатор Ftrl.
`gradient_clip_norm`	Значение `float` > 0. Если задано, градиенты ограничиваются их глобальной нормой с этим коэффициентом ограничения. См. `tf.clip_by_global_norm` для получения дополнительной информации.
`_joint_weights`	Если True, используйте один (возможно, раздробленный) переменный для хранения весов. Это быстрее, но требует, чтобы все столбцы признаков были разреженными и имели комбинировщик «сумма». Несовместимо с SDCAOptimizer.
`config`	Объект `RunConfig`, для настройки параметров выполнения.
`feature_engineering_fn`	Функция обработки признаков. Принимает признаки и метки, которые являются результатом `input_fn`, и возвращает признаки и метки, которые будут переданы в модель.

Возможные исключения
`ValueError`	если оптимизатор не поддерживается, например, SDCAOptimizer

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)

Возможные исключения
`ValueError`	Если хотя бы один из `x` или `y` задан, и, по крайней мере, один из `input_fn` или `feed_fn` задан. 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 граф вывода в заданный каталог. (устарело)

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, учитывая `Tensor` строк `Example`, анализирует их в признаки, которые затем передаются модели. В противном случае, функция, которая не принимает аргументов и возвращает кортеж (признаки, метки), где признаки — это словарь со строковым ключом к `Tensor`, а метки — это `Tensor`, который в настоящее время не используется (и поэтому может быть `None`).
`input_feature_key`	Используется только если `use_deprecated_input_fn` равно false. Строковый ключ в словаре признаков, возвращенном `input_fn`, который соответствует исходным строкам `Example` `Tensor`, которые будут приняты экспортированной моделью 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 подписи `input_fn`.
`signature_fn`	Функция, которая возвращает стандартную подпись и карту имен подписей, учитывая `Tensor` строк `Example`, `dict` `Tensor` для признаков и `Tensor` или `dict` `Tensor` для предсказаний.
`prediction_key`	Ключ для тензора в словаре `predictions` (выход из `model_fn`) для использования в качестве входного значения `predictions` в `signature_fn`. Необязательно. Если `None`, предсказания будут переданы `signature_fn` без фильтрации.
`default_batch_size`	Значение по умолчанию размера пакета `Example` плейсхолдера.
`exports_to_keep`	Количество экспортов для хранения.
`checkpoint_path`	Путь к контрольной точке модели, которая должна быть экспортирована. Если это `None` (по умолчанию), будет использоваться последняя контрольная точка в export_dir.

Возвращаемое значение
Путь к строке экспортированного каталога. Примечание: эта функция была добавлена ок. 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 строке экспортированного каталога. Примечание: эта функция была добавлена ок. 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 заданный 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 заголовка для обработки, когда не указан. Не нужно для моделей с единственным заголовком.
`assets_extra`	Словарь, определяющий способ заполнения каталога assets.extra в экспортированном SavedModel. Каждый ключ должен указывать путь назначения (включая имя файла) относительно каталога assets.extra. Соответствующее значение — это полный путь исходного файла, который нужно скопировать. Например, простой случай копирования единственного файла без переименования задается как `{'my_asset_file.txt': '/path/to/my_asset_file.txt'}`.
`as_text`	Флаг 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 отдельную MetaGraphDef в экспортированном SavedModel, помеченный и переписанный, как указано. По умолчанию — один элемент с тегом «serve» и без переписывания.
`strip_default_attrs`	Булево значение. Если `True`, атрибуты с заданными по умолчанию будут удалены из NodeDefs. Подробное руководство см. в Удаление атрибутов с заданными по умолчанию.

Возвращаемое значение
Путь к строке экспортированного каталога.

Возможные исключения
`ValueError`	если запрошен 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. (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 для этого оценщика.

Аргументы
`deep`	boolean, необязательно Если `True`, вернёт параметры для этого оценщика и вложенных подобъектов, являющихся оценщиками.

Возвращает
`params`	отображение строки на любой Параметры, имена которых отображены на их значения.

`get_variable_names`

Просмотреть исходный код

get_variable_names()

Возвращает список всех имён переменных в этой модели.

Возвращает
Список имён.

`get_variable_value`

Просмотреть исходный код

get_variable_value(
    name
)

Возвращает значение переменной, заданной по имени.

Аргументы
`name`	строка, имя тензора.

Возвращает
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 на наборе образцов. (устаревшие аргументы)

Ожидается, что этот метод вызывается 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 много времени для схождения, и вы хотите разделить обучение на подчасти.

Аргументы
`x`	Матрица формы [n_samples, n_features...]. Может быть итератором, который возвращает массивы признаков. Образцы 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, который возвращает массив меток. Значения меток обучения (метки классов в классификации, действительные числа в регрессии). Если задано, `input_fn` должно быть `None`.
`input_fn`	Функция входных данных. Если задано, `x`, `y`, и `batch_size` должны быть `None`.
`steps`	Количество шагов, на которых нужно обучить модель. Если `None`, обучаться вечно.
`batch_size`	размер мини-пакета для использования с входными данными, по умолчанию равняется первой размерности `x`. Должно быть `None` если `input_fn` предоставлено.
`monitors`	Список экземпляров подкласса `BaseMonitor`. Используется для обратных вызовов внутри цикла обучения.

Возвращает
`self`, для цепочки.

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

`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, который возвращает массивы признаков. Образцы входных данных для обучения модели. Если задано, `input_fn` должно быть `None`.
`input_fn`	Функция входных данных. Если задано, `x` и 'batch_size' должны быть `None`.
`batch_size`	Переопределение размера пакета по умолчанию. Если задано, 'input_fn' должно быть 'None'.
`outputs`	список `str`, имя выходного значения для прогноза. Если `None`, возвращает все.
`as_iterable`	Если True, возвращает итерируемый объект, который продолжает выдавать прогнозы для каждого примера до истощения входных данных. Примечание: входные данные должны завершаться, если вы хотите, чтобы итерируемый объект завершился (например, убедитесь, что вы передали num_epochs=1, если вы используете что-то вроде read_batch_features).
`iterate_batches`	Если True, выдает весь пакет сразу, вместо разбиения пакета на отдельные образцы. Актуально только тогда, когда as_iterable True.

Возвращает
Массив NumPy предсказанных классов или регрессионных значений, если конструктор `model_fn` возвращает `Tensor` для `predictions` или массив NumPy, если `dict` возвращает `dict`. Возвращает итерируемый объект прогнозов, если as_iterable True.

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

`set_params`

Просмотреть исходный код

set_params(
    **params
)

Установить параметры этого оценщика.

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

Аргументы
`**params`	Параметры.

Возвращает
self

Исключения
`ValueError`	Если params 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/LinearEstimator