tf.keras.estimator.model_to_estimator

Создаёт экземпляр Estimator из заданной модели Keras.

tf.keras.estimator.model_to_estimator(
    keras_model=None, keras_model_path=None, custom_objects=None, model_dir=None,
    config=None, checkpoint_format='checkpoint', metric_names_map=None
)

Если вы используете инфраструктуру или другие инструменты, которые полагаются на Estimators, вы всё ещё можете создать модель Keras и использовать model_to_estimator для преобразования модели Keras в Estimator для использования с системами нижнего уровня.

Пример использования см. в статье: Создание Estimators из моделей Keras.

Веса выборок:

Estimators, возвращаемые model_to_estimator, настроены так, чтобы они могли обрабатывать веса выборок (аналогично keras_model.fit(x, y, sample_weights)).

Чтобы передать веса выборок при обучении или оценке Estimator, первый элемент, возвращаемый функцией ввода, должен быть словарем с ключами features и sample_weights. Пример ниже:

keras_model = tf.keras.Model(...)
keras_model.compile(...)

estimator = tf.keras.estimator.model_to_estimator(keras_model)

def input_fn():
  return dataset_ops.Dataset.from_tensors(
      ({'features': features, 'sample_weights': sample_weights},
       targets))

estimator.train(input_fn, steps=1)

Примечание: Мы не поддерживаем создание взвешенных метрик в Keras и преобразование их в взвешенные метрики в API Estimator с использованием model_to_estimator. Вам нужно будет создать эти метрики непосредственно в спецификации estimator, используя функцию add_metrics.

Чтобы настроить имена estimator eval_metric_ops , вы можете передать словарь metric_names_map сопоставляющий имена метрик вывода модели Keras с настраиваемыми именами следующим образом:

input_a = tf.keras.layers.Input(shape=(16,), name='input_a')
input_b = tf.keras.layers.Input(shape=(16,), name='input_b')
dense = tf.keras.layers.Dense(8, name='dense_1')
interm_a = dense(input_a)
interm_b = dense(input_b)
merged = tf.keras.layers.concatenate([interm_a, interm_b], name='merge')
output_a = tf.keras.layers.Dense(3, activation='softmax', name='dense_2')(
        merged)
output_b = tf.keras.layers.Dense(2, activation='softmax', name='dense_3')(
        merged)
keras_model = tf.keras.models.Model(
    inputs=[input_a, input_b], outputs=[output_a, output_b])
keras_model.compile(
    loss='categorical_crossentropy',
    optimizer='rmsprop',
    metrics={
        'dense_2': 'categorical_accuracy',
        'dense_3': 'categorical_accuracy'
    })

metric_names_map = {
    'dense_2_categorical_accuracy': 'acc_1',
    'dense_3_categorical_accuracy': 'acc_2',
}
keras_est = tf.keras.estimator.model_to_estimator(
    keras_model=keras_model,
    config=config,
    metric_names_map=metric_names_map)

Аргументы
`keras_model`	Объект скомпилированной модели Keras. Этот аргумент взаимоисключает `keras_model_path`. Estimator's `model_fn` использует структуру модели для клонирования модели. По умолчанию `None`.
`keras_model_path`	Путь к сохранённой на диске скомпилированной модели Keras в формате HDF5, которая может быть сгенерирована методом `save()` модели Keras. Этот аргумент взаимоисключает `keras_model`. По умолчанию `None`.
`custom_objects`	Словарь для клонирования настраиваемых объектов. Это используется с классами, которые не являются частью этого пакета pip. Например, если пользователь поддерживает класс `relu6` , который наследуется от `tf.keras.layers.Layer`, то передайте `custom_objects={'relu6': relu6}`. По умолчанию `None`.
`model_dir`	Каталог для сохранения параметров модели `Estimator`, графа, файлов отчёта для TensorBoard и т.д. Если не указано, каталог будет создан с именем `tempfile.mkdtemp`
`config`	`RunConfig` для конфигурации `Estimator`. Позволяет настраивать вещи в `model_fn` на основе конфигурации, такой как `num_ps_replicas`, или `model_dir`. По умолчанию `None`. Если оба `config.model_dir` и аргумент `model_dir` (выше) указаны, аргумент `model_dir` имеет приоритет.
`checkpoint_format`	Устанавливает формат контрольной точки, сохраняемой estimator при обучении. Может быть `saver` или `checkpoint`, в зависимости от того, нужно ли сохранять контрольные точки из `tf.compat.v1.train.Saver` или `tf.train.Checkpoint`. По умолчанию `checkpoint`. Estimators используют контрольные точки с именем, а модели Keras — контрольные точки на основе объектов из `tf.train.Checkpoint`. В настоящее время сохранение контрольных точек на основе объектов из `model_to_estimator` поддерживается только для моделей Functional и Sequential. По умолчанию 'checkpoint'.
`metric_names_map`	Необязательный словарь, сопоставляющий имена метрик вывода модели Keras с настраиваемыми именами. Это можно использовать для переопределения значений по умолчанию для имён метрик вывода модели Keras в случае модели с несколькими выходами и предоставления настраиваемых имён для `eval_metric_ops` в Estimator. Имена метрик модели Keras можно получить, используя `model.metrics_names` , исключая любые метрики потерь, такие как общие потери и потери выхода. Например, если ваша модель Keras имеет два выхода `out_1` и `out_2`, с потерями `mse` и метрикой `acc`, то `model.metrics_names` будет `['loss', 'out_1_loss', 'out_2_loss', 'out_1_acc', 'out_2_acc']`. Имена метрик модели, исключая метрики потерь, будут `['out_1_acc', 'out_2_acc']`.

Возвращает
Estimator из заданной модели keras.

Возможные исключения
`ValueError`	Если ни keras_model, ни keras_model_path не были заданы.
`ValueError`	Если keras_model и keras_model_path были заданы оба.
`ValueError`	Если keras_model_path является URI GCS.
`ValueError`	Если keras_model не был скомпилирован.
`ValueError`	Если был задан неверный формат checkpoint_format.

© 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/r2.3/api_docs/python/tf/keras/estimator/model_to_estimator