tf.keras.experimental.WideDeepModel

Модель Wide & Deep для задач регрессии и классификации.

Наследуется от: Model

tf.keras.experimental.WideDeepModel(
    linear_model, dnn_model, activation=None, **kwargs
)

Эта модель совместно обучает линейную и нейронную сеть.

Пример:

linear_model = LinearModel()
dnn_model = keras.Sequential([keras.layers.Dense(units=64),
                             keras.layers.Dense(units=1)])
combined_model = WideDeepModel(linear_model, dnn_model)
combined_model.compile(optimizer=['sgd', 'adam'], 'mse', ['mse'])
# define dnn_inputs and linear_inputs as separate numpy arrays or
# a single numpy array if dnn_inputs is same as linear_inputs.
combined_model.fit([linear_inputs, dnn_inputs], y, epochs)
# or define a single `tf.data.Dataset` that contains a single tensor or
# separate tensors for dnn_inputs and linear_inputs.
dataset = tf.data.Dataset.from_tensors(([linear_inputs, dnn_inputs], y))
combined_model.fit(dataset, epochs)

Линейная и нейронная модель могут быть предварительно скомпилированы и обучены по отдельности перед совместным обучением:

Пример:

linear_model = LinearModel()
linear_model.compile('adagrad', 'mse')
linear_model.fit(linear_inputs, y, epochs)
dnn_model = keras.Sequential([keras.layers.Dense(units=1)])
dnn_model.compile('rmsprop', 'mse')
dnn_model.fit(dnn_inputs, y, epochs)
combined_model = WideDeepModel(linear_model, dnn_model)
combined_model.compile(optimizer=['sgd', 'adam'], 'mse', ['mse'])
combined_model.fit([linear_inputs, dnn_inputs], y, epochs)

inputs = tf.keras.layers.Input(shape=(3,))
outputs = tf.keras.layers.Dense(2)(inputs)
model = tf.keras.models.Model(inputs=inputs, outputs=outputs)
model.compile(optimizer="Adam", loss="mse", metrics=["mae"])
model.metrics_names
[]

x = np.random.random((2, 3))
y = np.random.randint(0, 2, (2, 2))
model.fit(x, y)
model.metrics_names
['loss', 'mae']

inputs = tf.keras.layers.Input(shape=(3,))
d = tf.keras.layers.Dense(2, name='out')
output_1 = d(inputs)
output_2 = d(inputs)
model = tf.keras.models.Model(
   inputs=inputs, outputs=[output_1, output_2])
model.compile(optimizer="Adam", loss="mse", metrics=["mae", "acc"])
model.fit(x, (y, y))
model.metrics_names
['loss', 'out_loss', 'out_1_loss', 'out_mae', 'out_acc', 'out_1_mae',
'out_1_acc']

Методы

compile

Просмотреть исходный код

compile(
    optimizer='rmsprop', loss=None, metrics=None, loss_weights=None,
    weighted_metrics=None, run_eagerly=None, **kwargs
)

Настраивает модель для обучения.

evaluate

Просмотреть исходный код

evaluate(
    x=None, y=None, batch_size=None, verbose=1, sample_weight=None, steps=None,
    callbacks=None, max_queue_size=10, workers=1, use_multiprocessing=False,
    return_dict=False
)

Возвращает значение потерь и значения метрик для модели в режиме тестирования.

Вычисления выполняются по партиям (см. аргумент batch_size).

См. обсуждение Unpacking behavior for iterator-like inputs для Model.fit.

evaluate_generator

Посмотреть исходный код

evaluate_generator(
    generator, steps=None, callbacks=None, max_queue_size=10, workers=1,
    use_multiprocessing=False, verbose=0
)

Оценивает модель на данных из генератора. (устарело)

УСТАРЕЛО:

Model.evaluate теперь поддерживает генераторы, поэтому больше нет необходимости использовать этот метод.

fit

Посмотреть исходный код

fit(
    x=None, y=None, batch_size=None, epochs=1, verbose=1, callbacks=None,
    validation_split=0.0, validation_data=None, shuffle=True, class_weight=None,
    sample_weight=None, initial_epoch=0, steps_per_epoch=None,
    validation_steps=None, validation_batch_size=None, validation_freq=1,
    max_queue_size=10, workers=1, use_multiprocessing=False
)

Обучает модель для фиксированного числа эпох (итераций по набору данных).

Поведение распаковки для итерационных входных данных: Распространённый метод — передать tf.data.Dataset, генератор или tf.keras.utils.Sequence в аргумент x метода fit, который фактически возвращает не только признаки (x), но также необязательно целевые переменные (y) и веса образцов. Keras требует, чтобы выход таких итераторов был однозначным. Итератор должен возвращать кортеж длины 1, 2 или 3, где необязательные второй и третий элементы будут использованы для y и sample_weight соответственно. Любой другой тип будет заключён в кортеж длины один, эффективно рассматривая всё как 'x'. При передаче словарей, они должны всё ещё придерживаться структуры кортежа верхнего уровня. Например, ({"x0": x0, "x1": x1}, y). Keras не будет пытаться выделить признаки, целевые переменные и веса из ключей одиночного словаря. Важный неподдерживаемый тип данных — namedtuple. Причина в том, что он ведёт себя как упорядоченный тип данных (кортеж) и как тип данных отображения (словарь). Итак, при наличии namedtuple вида: namedtuple("example_tuple", ["y", "x"]) неясно, следует ли изменять порядок элементов при интерпретации значения. Ещё хуже кортеж вида: namedtuple("other_tuple", ["x", "y", "z"]), где неясно, был ли кортеж предназначен для распаковки в x, y и sample_weight или для передачи в качестве единственного элемента в x. В результате код обработки данных просто поднимет ValueError, если встретит namedtuple. (Вместе с инструкциями по исправлению проблемы.)

fit_generator

Просмотреть исходный код

fit_generator(
    generator, steps_per_epoch=None, epochs=1, verbose=1, callbacks=None,
    validation_data=None, validation_steps=None, validation_freq=1,
    class_weight=None, max_queue_size=10, workers=1, use_multiprocessing=False,
    shuffle=True, initial_epoch=0
)

Обучает модель на данных, генерируемых поэтапно с помощью Python-генератора. (устаревший)

УСТАРЕВШАЯ:

Model.fit теперь поддерживает генераторы, поэтому больше нет необходимости использовать этот метод.

get_layer

Просмотреть исходный код

get_layer(
    name=None, index=None
)

Возвращает слой на основе его имени (уникального) или индекса.

Если name и index указаны, index будет иметь приоритет. Индексы основаны на порядке горизонтального обхода графа (снизу вверх).

load_weights

Просмотреть исходный код

load_weights(
    filepath, by_name=False, skip_mismatch=False, options=None
)

Загружает все весы слоев, либо из файла весов TensorFlow, либо из HDF5 файла.

Если by_name равно False, весы загружаются на основе топологии сети. Это означает, что архитектура должна быть такой же, как при сохранении весов. Обратите внимание, что слои, не имеющие весов, не учитываются в топологической сортировке, поэтому добавление или удаление слоев допустимо, если они не имеют весов.

Если by_name равно True, весы загружаются в слои только в том случае, если они имеют одинаковое имя. Это полезно для тонкой настройки или трансферного обучения моделей, где некоторые слои изменились.

Только топологическая загрузка (by_name=False) поддерживается при загрузке весов из формата TensorFlow. Обратите внимание, что топологическая загрузка немного отличается между форматами TensorFlow и HDF5 для пользовательских классов, наследующих от tf.keras.Model: HDF5 загружает на основе сплющенного списка весов, в то время как формат TensorFlow загружает на основе локальных имен атрибутов, которым назначены слои в конструкторе Model.

make_predict_function

Просмотреть исходный код

make_predict_function()

Создает функцию, которая выполняет один шаг инференции.

Этот метод может быть переопределен для поддержки пользовательской логики инференции. Этот метод вызывается Model.predict и Model.predict_on_batch.

Обычно этот метод напрямую управляет параметрами tf.function и tf.distribute.Strategy, и делегирует фактическую логику оценки Model.predict_step.

Эта функция кэшируется при первом вызове Model.predict или Model.predict_on_batch. Кэш очищается при вызове Model.compile.

make_test_function

Просмотреть исходный код

make_test_function()

Создает функцию, которая выполняет один шаг оценки.

Этот метод может быть переопределен для поддержки пользовательской логики оценки. Этот метод вызывается Model.evaluate и Model.test_on_batch.

Обычно этот метод напрямую управляет параметрами tf.function и tf.distribute.Strategy, и делегирует фактическую логику оценки Model.test_step.

Эта функция кэшируется при первом вызове Model.evaluate или Model.test_on_batch. Кэш очищается при вызове Model.compile.

make_train_function

Просмотреть исходный код

make_train_function()

Создает функцию, которая выполняет один шаг обучения.

Этот метод может быть переопределен для поддержки пользовательской логики обучения. Этот метод вызывается Model.fit и Model.train_on_batch.

Обычно этот метод напрямую управляет параметрами tf.function и tf.distribute.Strategy, и делегирует фактическую логику обучения Model.train_step.

Эта функция кэшируется при первом вызове Model.fit или Model.train_on_batch. Кэш очищается при вызове Model.compile.

predict

Просмотреть исходный код

predict(
    x, batch_size=None, verbose=0, steps=None, callbacks=None, max_queue_size=10,
    workers=1, use_multiprocessing=False
)

Генерирует прогнозы вывода для входных образцов.

Вычисления выполняются по частям. Этот метод разработан для производительности с большими входными данными. Для небольшого количества входных данных, которые помещаются в одну партию, рекомендуется напрямую использовать __call__ для более быстрого выполнения, например, model(x), или model(x, training=False) если у вас есть слои, такие как tf.keras.layers.BatchNormalization, которые ведут себя иначе при инференции. Также обратите внимание на то, что тестовая ошибка не зависит от регуляризующих слоев, таких как шум и отсечка.

См. обсуждение Unpacking behavior for iterator-like inputs для Model.fit. Обратите внимание, что Model.predict использует те же правила интерпретации, что и Model.fit и Model.evaluate, поэтому входные данные должны быть однозначными для всех трех методов.

predict_generator

Посмотреть исходный код

predict_generator(
    generator, steps=None, callbacks=None, max_queue_size=10, workers=1,
    use_multiprocessing=False, verbose=0
)

Генерирует предсказания для входных примеров из генератора данных. (устарело)

УСТАРЕЛО:

Model.predict теперь поддерживает генераторы, поэтому нет необходимости использовать этот метод.

predict_on_batch

Посмотреть исходный код

predict_on_batch(
    x
)

Возвращает предсказания для одного пакета примеров.

predict_step

Посмотреть исходный код

predict_step(
    data
)

Логика для одного шага инференции.

Этот метод может быть переопределён для поддержки пользовательской логики инференции. Этот метод вызывается Model.make_predict_function.

Этот метод должен содержать математическую логику для одного шага инференции. Обычно это включает в себя прямой проход.

Детали конфигурации того, *как* эта логика выполняется (например, tf.function и tf.distribute.Strategy параметры), должны быть оставлены Model.make_predict_function, который также может быть переопределен.

reset_metrics

Посмотреть исходный код

reset_metrics()

Сбрасывает состояние всех метрик в модели.

Примеры:

inputs = tf.keras.layers.Input(shape=(3,))
outputs = tf.keras.layers.Dense(2)(inputs)
model = tf.keras.models.Model(inputs=inputs, outputs=outputs)
model.compile(optimizer="Adam", loss="mse", metrics=["mae"])

x = np.random.random((2, 3))
y = np.random.randint(0, 2, (2, 2))
_ = model.fit(x, y, verbose=0)
assert all(float(m.result()) for m in model.metrics)

model.reset_metrics()
assert all(float(m.result()) == 0 for m in model.metrics)

reset_states

Посмотреть исходный код

reset_states()

save

Посмотреть исходный код

save(
    filepath, overwrite=True, include_optimizer=True, save_format=None,
    signatures=None, options=None
)

Сохраняет модель в формате Tensorflow SavedModel или в файл HDF5.

Сохраняемый файл включает:

• Архитектуру модели, что позволяет повторно восстановить модель.
• Веса модели.
• Состояние оптимизатора, позволяющее продолжить обучение ровно с того места, где вы остановились.

Это позволяет сохранить все состояние модели в одном файле.

Сохранённые модели могут быть повторно восстановлены с помощью keras.models.load_model. Модель, возвращённая методом load_model, — это скомпилированная модель, готовая к использованию (если сохраняемая модель не была скомпилирована в первый раз).

Модели, созданные с помощью API Sequential и Functional, могут быть сохранены в форматах HDF5 и SavedModel. Модели, созданные с помощью подклассов, могут быть сохранены только в формате SavedModel.

Обратите внимание, что веса модели могут иметь другие имена после загрузки. Имена включают имена модели/слоёв, такие как "dense_1/kernel:0". Рекомендуется использовать свойства слоя для доступа к конкретным переменным, например model.get_layer("dense_1").kernel.

Пример:

from keras.models import load_model

model.save('my_model.h5')  # creates a HDF5 file 'my_model.h5'
del model  # deletes the existing model

# returns a compiled model
# identical to the previous one
model = load_model('my_model.h5')

save_weights

Посмотреть исходный код

save_weights(
    filepath, overwrite=True, save_format=None, options=None
)

Сохраняет все веса слоёв.

Сохраняется в формате HDF5 или TensorFlow в зависимости от аргумента save_format.

При сохранении в формате HDF5 файл весов содержит:

• layer_names (атрибут), список строк (упорядоченные имена слоёв модели).
• Для каждого слоя, group с именем layer.name
  • Для каждой такой группы слоёв, атрибут группы weight_names, список строк (упорядоченные имена тензоров весов слоя).
  • Для каждого веса в слое, набор данных, хранящий значение веса, с именем, соответствующим имени тензора веса.

При сохранении в формате TensorFlow все объекты, на которые ссылается сеть, сохраняются в том же формате, что и tf.train.Checkpoint, включая любые экземпляры Layer или экземпляры Optimizer , назначенные атрибутам объектов. Для сетей, построенных из входных и выходных данных с использованием tf.keras.Model(inputs, outputs), экземпляры Layer , используемые сетью, отслеживаются/сохраняются автоматически. Для пользовательских классов, которые наследуют от tf.keras.Model, экземпляры Layer должны быть назначены атрибутам объектов, обычно в конструкторе. Подробности см. в документации по tf.train.Checkpoint и tf.keras.Model.

Хотя форматы одинаковы, не смешивайте save_weights и tf.train.Checkpoint. Чекпоинты, сохранённые с помощью Model.save_weights, должны загружаться с помощью Model.load_weights. Чекпоинты, сохранённые с помощью tf.train.Checkpoint.save, должны восстанавливаться с помощью соответствующего tf.train.Checkpoint.restore. Для обучающих чекпоинтов предпочтительнее использовать tf.train.Checkpoint вместо save_weights.

Формат TensorFlow сопоставляет объекты и переменные, начиная с корневого объекта, self для save_weights, и жадно сопоставляет имена атрибутов. Для Model.save это Model, а для Checkpoint.save это Checkpoint , даже если у Checkpoint есть присоединённая модель. Это означает, что сохранение tf.keras.Model с помощью save_weights и загрузка в tf.train.Checkpoint с присоединённым Model (или наоборот) не приведет к сопоставлению переменных Model. Для получения подробной информации о формате TensorFlow обратитесь к руководству по чекпоинтам обучения здесь.

summary

Просмотреть исходный код

summary(
    line_length=None, positions=None, print_fn=None
)

Выводит строковое описание сети.

test_on_batch

Просмотреть исходный код

test_on_batch(
    x, y=None, sample_weight=None, reset_metrics=True, return_dict=False
)

Проверка модели на одной пакетной выборке.

test_step

Просмотреть исходный код

test_step(
    data
)

Логика для одного шага оценки.

Этот метод может быть переопределён для поддержки пользовательской логики оценки. Этот метод вызывается методом Model.make_test_function.

Эта функция должна содержать математическую логику для одного шага оценки. Это обычно включает в себя прямой проход, вычисление функции потерь и обновление метрик.

Детали конфигурации того, как выполняется эта логика (например, tf.function и tf.distribute.Strategy настройки) должны быть оставлены Model.make_test_function, который также может быть переопределен.

to_json

Просмотреть исходный код

to_json(
    **kwargs
)

Возвращает строку JSON, содержащую конфигурацию сети.

Для загрузки сети из файла сохранения JSON используйте keras.models.model_from_json(json_string, custom_objects={}).

to_yaml

Просмотреть исходный код

to_yaml(
    **kwargs
)

Возвращает строку YAML, содержащую конфигурацию сети.

Для загрузки сети из файла сохранения YAML используйте keras.models.model_from_yaml(yaml_string, custom_objects={}).

custom_objects должен быть словарем, сопоставляющим имена пользовательских функций потерь/слоёв и т. д. с соответствующими функциями/классами.

train_on_batch

Просмотреть исходный код

train_on_batch(
    x, y=None, sample_weight=None, class_weight=None, reset_metrics=True,
    return_dict=False
)

Выполняет одно обновление градиента на одной порции данных.

train_step

Просмотреть исходный код

train_step(
    data
)

Логика для одного шага обучения.

Этот метод можно переопределить для поддержки пользовательской логики обучения. Этот метод вызывается методом Model.make_train_function.

Этот метод должен содержать математическую логику для одного шага обучения. Обычно это включает прямой проход, вычисление функции потерь, обратное распространение и обновление метрик.

Подробности конфигурации о том, как эта логика выполняется (например, tf.function и tf.distribute.Strategy параметры), следует оставлять методу Model.make_train_function, который также можно переопределить.