tf.estimator.LogisticRegressionHead

Создаёт Head для логистической регрессии.

Наследуется от: RegressionHead

Просмотр псевдонимов

Псевдонимы для миграции

См. Руководство по миграции для получения более подробной информации.

tf.compat.v1.estimator.LogisticRegressionHead, `tf.compat.v2.estimator.LogisticRegressionHead`

tf.estimator.LogisticRegressionHead(
    weight_column=None, loss_reduction=losses_utils.ReductionV2.SUM_OVER_BATCH_SIZE,
    name=None
)

Использует sigmoid_cross_entropy_with_logits потерю, которая совпадает с BinaryClassHead. Различия по сравнению с BinaryClassHead:

Не поддерживает label_vocabulary. Вместо этого метки должны быть числами с плавающей точкой в диапазоне [0, 1].
Не вычисляет некоторые метрики, которые не имеют смысла, такие как AUC.
В режиме PREDICT возвращает только логиты и предсказания (=tf.sigmoid(logits)), тогда как BinaryClassHead также возвращает вероятности, классы и идентификаторы классов.
Экспорт по умолчанию RegressionOutput, тогда как BinaryClassHead по умолчанию PredictOutput.

Голова ожидает logits с формой [D0, D1, ... DN, 1]. Во многих приложениях форма [batch_size, 1].

Форма labels должна соответствовать logits, а именно [D0, D1, ... DN] или [D0, D1, ... DN, 1].

Если указан weight_column, веса должны иметь форму [D0, D1, ... DN] или [D0, D1, ... DN, 1].

Реализовано как обобщённая линейная модель, см. https://en.wikipedia.org/wiki/Generalized_linear_model

Голова может использоваться с готовым оценщиком. Пример:

my_head = tf.estimator.LogisticRegressionHead()
my_estimator = tf.estimator.DNNEstimator(
    head=my_head,
    hidden_units=...,
    feature_columns=...)

Также может использоваться с пользовательским model_fn. Пример:

def _my_model_fn(features, labels, mode):
  my_head = tf.estimator.LogisticRegressionHead()
  logits = tf.keras.Model(...)(features)

  return my_head.create_estimator_spec(
      features=features,
      mode=mode,
      labels=labels,
      optimizer=tf.keras.optimizers.Adagrad(lr=0.1),
      logits=logits)

my_estimator = tf.estimator.Estimator(model_fn=_my_model_fn)

Аргументы
`weight_column`	Строка или `NumericColumn` созданный `tf.feature_column.numeric_column`, определяющий столбец признаков, представляющий веса. Используется для уменьшения или увеличения весов примеров во время обучения. Он будет умножаться на потерю примера.
`loss_reduction`	Один из `tf.losses.Reduction`, кроме `NONE`. Определяет, как уменьшить потерю обучения по размерности пакета и метки. По умолчанию `SUM_OVER_BATCH_SIZE`, а именно взвешенная сумма потерь, делённая на `batch size * label_dimension`.
`name`	имя головы. Если задано, ключи сводки и метрик будут дополнены суффиксом `"/" + name`. Также используется как `name_scope` при создании операций.

Атрибуты
`logits_dimension`	См. `base_head.Head` для подробностей.
`loss_reduction`	См. `base_head.Head` для подробностей.
`name`	См. `base_head.Head` для подробностей.

Методы

`create_estimator_spec`

Просмотреть исходный код

create_estimator_spec(
    features, mode, logits, labels=None, optimizer=None, trainable_variables=None,
    train_op_fn=None, update_ops=None, regularization_losses=None
)

Возвращает EstimatorSpec , который может возвращать функция `model_fn`.

Рекомендуется передавать все аргументы через имя.

Аргументы
`features`	Входные `dict` сопоставляющие строковые имена признаков с `Tensor` или `SparseTensor` объектами, содержащими значения для этого признака в мини-пачке. Часто используется для извлечения тензора веса примера.
`mode`	`ModeKeys` оценщика.
`logits`	Логиты `Tensor` , которые необходимо использовать голове.
`labels`	Метки `Tensor`, или `dict` сопоставляющие строковые имена меток с `Tensor` объектами значений меток.
`optimizer`	Экземпляр `tf.keras.optimizers.Optimizer` для оптимизации потери в режиме TRAIN. А именно, устанавливает `train_op = optimizer.get_updates(loss, trainable_variables)`, которая обновляет переменные для минимизации `loss`.
`trainable_variables`	Список или кортеж объектов `Variable` для обновления с целью минимизации `loss`. В Tensorflow 1.x по умолчанию это список переменных, собранных в графе под ключом `GraphKeys.TRAINABLE_VARIABLES`. Поскольку Tensorflow 2.x не имеет коллекций и GraphKeys, переменные `trainable_variables` нужно передавать явно.
`train_op_fn`	Функция, которая принимает скалярную потерю `Tensor` и возвращает операцию для оптимизации модели с потерей в режиме TRAIN. Используется, если `optimizer` является `None`. В режиме TRAIN ровно один из `train_op_fn` и `optimizer` должен быть установлен. По умолчанию это `None` в других режимах. Если вы хотите оптимизировать потерю самостоятельно, вы можете передать `lambda _: tf.no_op()` и затем использовать `EstimatorSpec.loss` для вычисления и применения градиентов.
`update_ops`	Список или кортеж операторов обновления, которые должны выполняться во время обучения. Например, слои, такие как BatchNormalization, создают операции обновления среднего и дисперсии, которые необходимо выполнять во время обучения. В Tensorflow 1.x они помещаются в коллекцию UPDATE_OPS. Поскольку Tensorflow 2.x не имеет коллекций, update_ops необходимо передавать явно.
`regularization_losses`	Список дополнительных скалярных потерь, которые необходимо добавить к тренировочной потере, например, потери регуляризации.

Возвращаемое значение
`EstimatorSpec`.

`loss`

Просмотреть исходный код

loss(
    labels, logits, features=None, mode=None, regularization_losses=None
)

Возвращает предсказания на основе ключей. См. base_head.Head для подробностей.

`metrics`

Просмотреть исходный код

metrics(
    regularization_losses=None
)

Создаёт метрики. См. base_head.Head для подробностей.

`predictions`

Просмотреть исходный код

predictions(
    logits
)

Возвращает предсказания на основе ключей. См. base_head.Head для подробностей.

Аргументы
`logits`	Логиты `Tensor` с формой `[D0, D1, ... DN, logits_dimension]`. Для многих приложений форма `[batch_size, logits_dimension]`.

Возвращаемое значение
Словарь предсказаний.

`update_metrics`

Просмотреть исходный код

update_metrics(
    eval_metrics, features, logits, labels, regularization_losses=None
)

Обновляет метрики оценки. См. base_head.Head для подробностей.

© 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/estimator/LogisticRegressionHead