tf.estimator.RegressionHead

Создаёт Head для регрессии с использованием функции потерь mean_squared_error.

Наследуется от: Head

tf.estimator.RegressionHead(
    label_dimension=1, weight_column=None,
    loss_reduction=losses_utils.ReductionV2.SUM_OVER_BATCH_SIZE, loss_fn=None,
    inverse_link_fn=None, name=None
)

Функция потерь представляет собой взвешенную сумму по всем измерениям входных данных. То есть, если входные метки имеют форму [batch_size, label_dimension], функция потерь представляет собой взвешенную сумму как по batch_size, так и по label_dimension.

Этот метод ожидает logits с формой [D0, D1, ... DN, label_dimension]. В многих приложениях форма имеет вид [batch_size, label_dimension].

Форма labels должна соответствовать форме logits, а именно [D0, D1, ... DN, label_dimension]. Если label_dimension=1, также поддерживается форма [D0, D1, ... DN].

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

Поддерживает пользовательские loss_fn. loss_fn принимает (labels, logits) или (labels, logits, features, loss_reduction) в качестве аргументов и возвращает нередуцированную функцию потерь с формой [D0, D1, ... DN, label_dimension].

Также поддерживает пользовательскую inverse_link_fn, также известную как 'функция среднего значения'. inverse_link_fn используется только в режиме PREDICT. Она принимает logits в качестве аргумента и возвращает предсказанные значения. Эта функция является обратной связью для функции связи, определённой в https://en.wikipedia.org/wiki/Generalized_linear_model#Link_function. Например, для регрессии Пуассона, установите inverse_link_fn=tf.exp.

Использование:

head = tf.estimator.RegressionHead()
logits = np.array(((45,), (41,),), dtype=np.float32)
labels = np.array(((43,), (44,),), dtype=np.int32)
features = {'x': np.array(((42,),), dtype=np.float32)}
# expected_loss = weighted_loss / batch_size
#               = (43-45)^2 + (44-41)^2 / 2 = 6.50
loss = head.loss(labels, logits, features=features)
print('{:.2f}'.format(loss.numpy()))
6.50
eval_metrics = head.metrics()
updated_metrics = head.update_metrics(
  eval_metrics, features, logits, labels)
for k in sorted(updated_metrics):
 print('{} : {:.2f}'.format(k, updated_metrics[k].result().numpy()))
  average_loss : 6.50
  label/mean : 43.50
  prediction/mean : 43.00
preds = head.predictions(logits)
print(preds['predictions'])
tf.Tensor(
  [[45.]
   [41.]], shape=(2, 1), dtype=float32)

Использование с готовым оценщиком:

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

Также может быть использовано с пользовательским model_fn. Пример:

def _my_model_fn(features, labels, mode):
  my_head = tf.estimator.RegressionHead()
  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 model_fn.

Рекомендуется передавать все аргументы через имя.

loss

Просмотреть исходный код

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

Возвращает предсказания на основе ключей. 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
)

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.