tf.compat.v1.keras.estimator.model_to_estimator

Создаёт экземпляр Estimator из заданной модели Keras.

tf.compat.v1.keras.estimator.model_to_estimator(
    keras_model=None,
    keras_model_path=None,
    custom_objects=None,
    model_dir=None,
    config=None,
    checkpoint_format='saver',
    metric_names_map=None,
    export_outputs=None
)

Если вы используете инфраструктуру или другие инструменты, которые полагаются на оценщики, вы по-прежнему можете создать модель Keras и использовать model_to_estimator для преобразования модели Keras в оценщик для использования с системами нисходящего уровня.

Пример использования см. на странице: Создание оценщиков из моделей Keras.

Веса выборок:

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

Для передачи весов выборок при обучении или оценке оценщика 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)

Пример с настраиваемой сигнатурой экспорта:

inputs = {'a': tf.keras.Input(..., name='a'),
          'b': tf.keras.Input(..., name='b')}
outputs = {'c': tf.keras.layers.Dense(..., name='c')(inputs['a']),
           'd': tf.keras.layers.Dense(..., name='d')(inputs['b'])}
keras_model = tf.keras.Model(inputs, outputs)
keras_model.compile(...)
export_outputs = {'c': tf.estimator.export.RegressionOutput,
                  'd': tf.estimator.export.ClassificationOutput}

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

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

estimator.train(input_fn, steps=1)