tf.estimator.Head

Интерфейс для головной части модели.

Головная часть расположена сверху модели и обрабатывает вычисление выходных данных сети. Учитывая логиты (или выходные данные скрытого слоя), головная часть знает, как вычислить прогнозы, потерю, операцию обучения, метрики и выходные данные экспорта. Она предназначена для:

1. Упрощения написания функции model_fn и повышения её конфигурируемости для Estimator.
2. Упрощения создания потерь и метрик для цикла обучения и тестирования в Eager execution.
3. Поддержки широкого спектра моделей машинного обучения. Поскольку большинство головных частей могут работать с логитами, они могут поддерживать DNN, RNN, Wide, Wide&Deep, глобальные цели, градиентные бустинг-деревья и многие другие типы моделей машинного обучения.

Пример использования:

Вот упрощенная функция model_fn для построения модели регрессии DNN.

def _my_dnn_model_fn(features, labels, mode, params, config=None):
  # Optionally your callers can pass head to model_fn as a param.
  head = tf.estimator.RegressionHead(...)

  feature_columns = tf.feature_column.numeric_column(...)
  feature_layer = tf.keras.layers.DenseFeatures(feature_columns)
  inputs = feature_layer(features)

  # Compute logits with tf.keras.layers API
  hidden_layer0 = tf.keras.layers.Dense(
      units=1000, activation="relu")(inputs)
  hidden_layer1 = tf.keras.layers.Dense(
      units=500, activation="relu")(hidden_layer0)
  logits = tf.keras.layers.Dense(
      units=head.logits_dimension, activation=None)(hidden_layer1)

  # Or use Keras model for logits computation
  model = tf.keras.Sequential()
  model.add(tf.keras.layers.Dense(units=1000, activation="relu"))
  model.add(tf.keras.layers.Dense(units=500, activation="relu"))
  model.add(tf.keras.layers.Dense(
     units=head.logits_dimension, activation=None))
  logits = model(inputs)

  return head.create_estimator_spec(
      features=features,
      labels=labels,
      mode=mode,
      logits=logits,
      optimizer=optimizer)

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 , которые может вернуть функция model_fn.

Рекомендуется передавать все аргументы через имя.

loss

Просмотреть исходный код

@abc.abstractmethod
loss(
    labels, logits, features=None, mode=None, regularization_losses=None
)

Возвращает потерю Tensor из предоставленных аргументов.

Обратите внимание, что аргументы features и mode скорее всего не используются, но некоторые реализации Head могут их потребовать.

metrics

Просмотреть исходный код

@abc.abstractmethod
metrics(
    regularization_losses=None
)

Возвращает dict объектов метрик.

predictions

Просмотреть исходный код

@abc.abstractmethod
predictions(
    logits, keys=None
)

Возвращает dict прогнозов по предоставленным логитам.

update_metrics

Просмотреть исходный код

@abc.abstractmethod
update_metrics(
    eval_metrics, features, logits, labels, mode=None, regularization_losses=None
)

Обновляет объекты метрик и возвращает dict обновлённых метрик.