tf.contrib.timeseries.StructuralEnsembleRegressor

Эстиматор для структурных моделей временных рядов.

tf.contrib.timeseries.StructuralEnsembleRegressor(
    periodicities, num_features, cycle_num_latent_values=11, moving_average_order=4,
    autoregressive_order=0, exogenous_feature_columns=None,
    exogenous_update_condition=None, dtype=tf.dtypes.double,
    anomaly_prior_probability=None, optimizer=None, model_dir=None, config=None,
    head_type=ts_head_lib.TimeSeriesRegressionHead
)

«Структурный» означает, что эта модель явно учитывает структуру данных, такую как периодичность и тренды.

StructuralEnsembleRegressor является моделью пространства состояний. Она содержит компоненты для моделирования уровня, локальных линейных трендов, периодичности и переходных процессов с усреднением по скользящей средней через компонент скользящей средней. Многомерные ряды подгоняются с полными ковариационными матрицами для шума наблюдения и шума переходного состояния латентного состояния, при этом каждая функция многомерного ряда имеет свои собственные латентные компоненты.

Обратите внимание, что в отличие от ARRegressor, StructuralEnsembleRegressor является последовательной, поэтому принимает переменные размеры окна с одной и той же моделью.

Для обучения RandomWindowInputFn рекомендуется в качестве input_fn. Состояние модели управляется через ChainingStateManager: поскольку модели пространства состояний по своей природе последовательны, мы сохраняем состояние из предыдущих итераций, чтобы получить приблизительную/конечную согласованность, одновременно обеспечивая хорошую производительность за счёт пакетной вычислений.

Для оценки либо передайте значительный фрагмент ряда в одно окно (например, установите window_size для всего ряда с WholeDatasetInputFn), либо используйте достаточно случайных итераций оценки, чтобы покрыть несколько проходов через весь набор данных. Любой метод обеспечит, что устаревшее сохранённое состояние было сброшено.

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
)

Создайте input_receiver_fn для export_savedmodel, принимающий tf.Examples.

Совместим 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
)

Создайте input_receiver_fn для export_savedmodel, принимающий массивы.

Автоматически создаёт плейсхолдеры для внешних FeatureColumn признаков, переданных в модель.

eval_dir

Посмотреть исходный код

eval_dir(
    name=None
)

Показывает имя каталога, куда выгружаются метрики оценки.

evaluate

Посмотреть исходный код

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

Оценивает модель с учётом данных оценки input_fn.

Для каждого шага вызывается input_fn, которая возвращает одну партию данных. Оценивается до:

• обрабатываются партии, или
• генерирует 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 создаёт новую диаграмму, вызывая input_receiver_fn для получения признаков и меток Tensor. Затем этот метод вызывает Estimator в переданном режиме для генерации графика модели на основе этих признаков и меток и восстанавливает заданный контрольный пункт (или, при его отсутствии, последний контрольный пункт) в граф. Только один из режимов используется для сохранения переменных в SavedModel (порядок предпочтения: 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, каталог экспорта с отметкой времени находится ниже export_dir_base, и в него записывается SavedModel , содержащий tf.MetaGraphDef для данного режима и его связанных подписей.

Для прогнозирования экспортированный MetaGraphDef предоставит по одному SignatureDef для каждого элемента словаря export_outputs , возвращённого 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 сервера не указана подпись. Для каждой подписи выходные данные предоставляются соответствующими tf.estimator.export.ExportOutput, а входные данные всегда являются получателями входных данных, предоставляемыми serving_input_receiver_fn.

Для обучения и оценки train_op хранится в дополнительном наборе, а потеря, метрики и прогнозы включаются в SignatureDef для данного режима.

Дополнительные ресурсы могут быть записаны в SavedModel через аргумент assets_extra. Это должен быть словарь, где каждый ключ указывает путь назначения (включая имя файла) относительно каталога assets.extra. Соответствующее значение указывает полный путь к исходному файлу, который будет скопирован. 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 график вывода как SavedModel в заданный каталог.

Для подробного руководства см. Использование SavedModel с оценщиками.

Этот метод строит новую диаграмму, сначала вызывая serving_input_receiver_fn для получения признаков Tensor, а затем вызывая этот Estimator для генерации графика модели на основе этих признаков. Он восстанавливает заданный контрольный пункт (или, если его нет, последний контрольный пункт) в этот график в свежей сессии. Наконец, он создаёт каталог 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 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 сервера не указана подпись. Для каждой подписи выходные данные предоставляются соответствующими tf.estimator.export.ExportOutput, а входные данные всегда являются получателями входных данных, предоставляемыми serving_input_receiver_fn.

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

Параметр experimental_mode можно использовать для экспорта одного графика обучения/оценки/прогнозирования в виде SavedModel. См. experimental_export_all_saved_models для полной документации.

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 инференции как SavedModel в указанную директорию. (устарело)

Для подробного руководства, см. Использование SavedModel с Estimators.

Этот метод строит новый график, сначала вызвав serving_input_receiver_fn для получения признаков Tensor, а затем вызвав Estimator для генерации графика модели на основе этих признаков. Он восстанавливает заданный контрольный пункт (или, если его нет, последний контрольный пункт) в этот график в новой сессии. Наконец, он создаёт директорию экспорта с отметкой времени ниже заданной export_dir_base, и записывает SavedModel в неё, содержащую один tf.MetaGraphDef, сохранённый из этой сессии.

Экспортированная 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 сигнатура будет обслуживаться, когда запрос на обслуживание не указывает её. Для каждой сигнатуры выходные данные предоставляются соответствующими tf.estimator.export.ExportOutput, а входные данные всегда — входными приемниками, предоставленными 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 директории assets.extra. Соответствующее значение даёт полный путь к исходному файлу, 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
)

Выводит предсказания для заданных признаков.

Обратите внимание, что чередование двух результатов предсказания не работает. См.: issue/20506

Выходные данные:

Оценённые значения тензоров predictions.

train

Просмотреть исходный код

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

Обучает модель, используя данные обучения input_fn.