tf.estimator.MultiLabelHead

Создаёт Head для многоклассовой классификации.

Наследуется от: Head

tf.estimator.MultiLabelHead(
    n_classes, weight_column=None, thresholds=None, label_vocabulary=None,
    loss_reduction=losses_utils.ReductionV2.SUM_OVER_BATCH_SIZE, loss_fn=None,
    classes_for_class_based_metrics=None, name=None
)

Многоклассовая классификация обрабатывает случай, когда каждый пример может иметь ноль или более ассоциированных меток из дискретного набора. Это отличается от MultiClassHead, у которой ровно одна метка на пример.

Использует sigmoid_cross_entropy функцию потерь, усреднённую по классам и взвешенную сумму по пакету. А именно, если входные логиты имеют форму [batch_size, n_classes], потери являются усреднёнными по n_classes и взвешенной суммой по batch_size.

Заголовок ожидает logits с формой [D0, D1, ... DN, n_classes]. Во многих приложениях форма составляет [batch_size, n_classes].

Метки могут быть:

• Многоточечный тензор с формой [D0, D1, ... DN, n_classes]
• Целочисленный SparseTensor индексов классов. dense_shape должны быть [D0, D1, ... DN, ?], а значения внутри [0, n_classes).
• Если label_vocabulary задано, строковый SparseTensor. dense_shape должны быть [D0, D1, ... DN, ?], а значения внутри label_vocabulary или многоточечный тензор с формой [D0, D1, ... DN, n_classes].

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

Также поддерживает пользовательские loss_fn. loss_fn принимает (labels, logits) или (labels, logits, features) в качестве аргументов и возвращает неуменьшенную функцию потерь с формой [D0, D1, ... DN, 1]. loss_fn должен поддерживать индикатор labels с формой [D0, D1, ... DN, n_classes]. То есть, заголовок применяет label_vocabulary к входным меткам перед передачей их в loss_fn.

Этот заголовок может быть использован с готовым оценщиком. Пример:

my_head = tf.estimator.MultiLabelHead(n_classes=3)
my_estimator = tf.estimator.DNNEstimator(
    head=my_head,
    hidden_units=...,
    feature_columns=...)

Он также может быть использован с пользовательским model_fn. Пример:

def _my_model_fn(features, labels, mode):
  my_head = tf.estimator.MultiLabelHead(n_classes=3)
  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)

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 для возврата функции model_fn.

Рекомендуется передавать все аргументы через имя.

loss

Просмотреть исходный код

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

Возвращает регулируемые потери обучения. См. base_head.Head для деталей.

metrics

Просмотреть исходный код

metrics(
    regularization_losses=None
)

Создаёт метрики. См. base_head.Head для деталей.

predictions

Просмотреть исходный код

predictions(
    logits, keys=None
)

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

update_metrics

Просмотреть исходный код

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

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