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,
    export_outputs=None
)

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

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

Веса выборок:

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

Чтобы передать веса выборок во время обучения или оценки Estimator, первый элемент, возвращаемый функцией ввода, должен быть словарем со 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 подписью 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)

Примечание: Мы не поддерживаем создание взвешенных метрик в Keras и их преобразование в взвешенные метрики в API Estimator, используя 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)