tf.contrib.timeseries.ARRegressor

Оценщик для (необязательно нелинейной) авторегрессионной модели.

Наследуется от: TimeSeriesRegressor

tf.contrib.timeseries.ARRegressor(
    periodicities, input_window_size, output_window_size, num_features,
    exogenous_feature_columns=None, num_time_buckets=10,
    loss=ar_model.ARModel.NORMAL_LIKELIHOOD_LOSS, hidden_layer_sizes=None,
    anomaly_prior_probability=None, anomaly_distribution=None, optimizer=None,
    model_dir=None, config=None
)

ARRegressor — это модель на основе окон, принимающая фиксированные окна длиной input_window_size и выводящая фиксированные окна длиной output_window_size. Эти два параметра должны суммироваться до размера окна, переданного в Chunker для создания input_fn для обучения или оценки. RandomWindowInputFn рекомендуется как для обучения, так и для оценки, хотя для детерминированной оценки его можно использовать с начальным значением.

Методы

build_one_shot_parsing_serving_input_receiver_fn

Посмотреть исходный код

build_one_shot_parsing_serving_input_receiver_fn(
    filtering_length, prediction_length, default_batch_size=None,
    values_input_dtype=None, truncate_values=False
)

Создаёт input_receiver_fn для export_savedmodel, принимающий tf.Examples.

Совместимо только с OneShotPredictionHead (см. head).

build_raw_serving_input_receiver_fn

Посмотреть исходный код

build_raw_serving_input_receiver_fn(
    default_batch_size=None, default_series_length=None
)

Создаёт input_receiver_fn для export_savedmodel, принимающий массивы.

Автоматически создаёт заглушки для экзогенных FeatureColumn , переданных в модель.

eval_dir

Посмотреть исходный код

eval_dir(
    name=None
)

Отображает имя директории, куда сохраняются метрики оценки.

evaluate

Посмотреть исходный код

evaluate(
    input_fn, steps=None, hooks=None, checkpoint_path=None, name=None
)

Оценивает модель на основе данных оценки input_fn.

На каждом шаге вызывает input_fn, которое возвращает одну порцию данных. Оценка выполняется до:

• steps порций обработаны, или
• input_fn возникает исключение конца входных данных (tf.errors.OutOfRangeError или StopIteration).

experimental_export_all_saved_models

Просмотреть исходный код

experimental_export_all_saved_models(
    export_dir_base, input_receiver_fn_map, assets_extra=None, as_text=False,
    checkpoint_path=None
)

Экспортирует SavedModel с tf.MetaGraphDefs для каждого запрошенного режима.

Для каждого режима, переданного через input_receiver_fn_map, этот метод строит новую диаграмму, вызывая input_receiver_fn для получения признаков и меток Tensor. Затем этот метод вызывает Estimator's model_fn в переданном режиме для генерации диаграммы модели на основе этих признаков и меток и восстанавливает заданный контрольный пункт (или, в случае отсутствия, самый последний контрольный пункт) в диаграмме. Только один из режимов используется для сохранения переменных в SavedModel (порядок приоритета: tf.estimator.ModeKeys.TRAIN, tf.estimator.ModeKeys.EVAL, затем tf.estimator.ModeKeys.PREDICT), таким образом, до трёх tf.MetaGraphDefs сохраняются с одним набором переменных в одном каталоге SavedModel.

Для переменных и tf.MetaGraphDefs, создаётся каталоги экспорта с отметкой времени ниже export_dir_base, и в нём записывается SavedModel содержащий tf.MetaGraphDef для заданного режима и связанных с ним подписей.

Для предсказания экспортированный MetaGraphDef предоставит по одному SignatureDef для каждого элемента словаря export_outputs возвращённого model_fn, с именами, использующими те же ключи. Один из этих ключей всегда tf.saved_model.signature_constants.DEFAULT_SERVING_SIGNATURE_DEF_KEY, указывающий, какая подпись будет использована, когда запрос обслуживания не указывает её. Для каждой подписи выходы предоставляются соответствующими tf.estimator.export.ExportOutputs, а входы всегда являются получателями ввода, предоставляемыми serving_input_receiver_fn.

Для обучения и оценки train_op сохраняется в дополнительном наборе, и потеря, метрики и предсказания включаются в SignatureDef для рассматриваемого режима.

Дополнительные ресурсы могут быть записаны в SavedModel через аргумент assets_extra. Это должен быть словарь, где каждый ключ задаёт путь назначения (включая имя файла) относительно каталога assets.extra. Соответствующее значение задаёт полный путь исходного файла для копирования. Например, простой случай копирования одного файла без переименования задаётся как {'my_asset_file.txt': '/path/to/my_asset_file.txt'}.

export_saved_model

Просмотреть исходный код

export_saved_model(
    export_dir_base, serving_input_receiver_fn, assets_extra=None, as_text=False,
    checkpoint_path=None, experimental_mode=ModeKeys.PREDICT
)

Экспортирует диаграмму инференции как SavedModel в заданный каталог.

Для подробного руководства см. Использование SavedModel с оценщиками.

Этот метод строит новую диаграмму, сначала вызвав serving_input_receiver_fn для получения признаков Tensor, а затем вызвав Estimator's model_fn для генерации диаграммы модели на основе этих признаков. Он восстанавливает заданный контрольный пункт (или, в случае отсутствия, самый последний контрольный пункт) в эту диаграмму в новой сессии. Наконец, он создаёт подкаталог экспорта с отметкой времени ниже заданного export_dir_base, и записывает SavedModel в него, содержащий одну tf.MetaGraphDef, сохранённую из этой сессии.

Экспортированный MetaGraphDef предоставит по одному SignatureDef для каждого элемента словаря export_outputs возвращённого model_fn, с именами, использующими те же ключи. Один из этих ключей всегда tf.saved_model.signature_constants.DEFAULT_SERVING_SIGNATURE_DEF_KEY, указывающий, какая подпись будет использована, когда запрос обслуживания не указывает её. Для каждой подписи выходы предоставляются соответствующими tf.estimator.export.ExportOutputs, а входы всегда являются получателями ввода, предоставляемыми serving_input_receiver_fn.

Дополнительные ресурсы могут быть записаны в SavedModel через аргумент assets_extra. Это должен быть словарь, где каждый ключ задаёт путь назначения (включая имя файла) относительно каталога assets.extra. Соответствующее значение задаёт полный путь исходного файла для копирования. Например, простой случай копирования одного файла без переименования задаётся как {'my_asset_file.txt': '/path/to/my_asset_file.txt'}.

Параметр experimental_mode может быть использован для экспорта одной диаграммы train/eval/predict как SavedModel. См. experimental_export_all_saved_models для полного описания.

export_savedmodel

Просмотреть исходный код

export_savedmodel(
    export_dir_base, serving_input_receiver_fn, assets_extra=None, as_text=False,
    checkpoint_path=None, strip_default_attrs=False
)

Экспортирует график вывода как SavedModel в указанный каталог. (устаревшее)

Для подробного руководства см. Использование SavedModel с Estimators.

Этот метод создает новый график, сначала вызывая serving_input_receiver_fn для получения признаков Tensor , а затем вызывая Estimator's model_fn для генерации графика модели на основе этих признаков. Он восстанавливает указанный контрольный пункт (или, если его нет, самый последний контрольный пункт) в этот график в новой сессии. Наконец, он создаёт каталог экспорта с отметкой времени в указанном export_dir_base, и записывает в него SavedModel содержащий один tf.MetaGraphDef, сохранённый из этой сессии.

Экспортированный MetaGraphDef предоставит по одному SignatureDef для каждого элемента в export_outputs словаре, возвращённом model_fn, с использованием тех же ключей. Один из этих ключей всегда tf.saved_model.signature_constants.DEFAULT_SERVING_SIGNATURE_DEF_KEY, указывающий, какая подпись будет использоваться, если в запросе обслуживания не указана конкретная подпись. Для каждой подписи выходные данные предоставляются соответствующими tf.estimator.export.ExportOutput, а входные данные всегда являются входными приемниками, предоставленными serving_input_receiver_fn.

Дополнительные ресурсы могут быть записаны в SavedModel с помощью аргумента assets_extra. Он должен быть словарем, где каждый ключ задаёт путь назначения (включая имя файла) относительно каталога assets.extra. Соответствующее значение содержит полный путь исходного файла, который будет скопирован. Например, простой случай копирования одного файла без переименования задаётся как {'my_asset_file.txt': '/path/to/my_asset_file.txt'}.

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 по имени.

latest_checkpoint

Просмотреть исходный код

latest_checkpoint()

Находит имя файла последнего сохранённого контрольного пункта в model_dir.

predict

Просмотреть исходный код

predict(
    input_fn, predict_keys=None, hooks=None, checkpoint_path=None,
    yield_single_examples=True
)

Возвращает прогнозы для заданных признаков.

Обратите внимание, что интерливирование двух выходных данных predict не работает. См.: вопрос/20506

Возвращает:

Вычисленные значения тензоров predictions.

train

Просмотреть исходный код

train(
    input_fn, hooks=None, steps=None, max_steps=None, saving_listeners=None
)

Обучает модель с использованием обучающих данных input_fn.