tf.estimator API技术手册(12)——LinearRegressor(线性分类器)
- (一)简 介
- (二)初始化
- (三)属 性(Properties)
- (四)方 法(Methods)
- (1)evaluate(评估)
- (2)predict(预测)
- (3)train(训练)
(一)简 介
继承自Estimator,定义在tensorflow/python/estimator/canned/linear.py中,用来建立线性回归器。示例如下:
categorical_column_a = categorical_column_with_hash_bucket(...)
categorical_column_b = categorical_column_with_hash_bucket(...)categorical_feature_a_x_categorical_feature_b = crossed_column(...)
estimator = LinearRegressor(feature_columns=[categorical_column_a,categorical_feature_a_x_categorical_feature_b])
def input_fn_train: ...
def input_fn_eval: ...
estimator.train(input_fn=input_fn_train)
estimator.evaluate(input_fn=input_fn_eval)
estimator.predict(input_fn=input_fn_predict)
(二)初始化
__init__(feature_columns,model_dir=None,label_dimension=1,weight_column=None,optimizer='Ftrl',config=None,partitioner=None,warm_start_from=None,loss_reduction=losses.Reduction.SUM,sparse_combiner='sum'
)
参数如下:
-
feature_columns:
特征列
-
model_dir:
保存模型的目录
-
label_dimension:
每一个样例中回归目标的个数,这是标签的最后维度和logit张量对象的大小,典型的结构为[批处理大小,标签维度]。
-
weight_column:
由 tf.feature_column.numeric_column创建的一个字符串或者数字列用来呈现特征列。它将会被乘以example的训练损失。
-
label_vocabulary:
一个字符串列表用来呈现可能的标签取值,如果给出,则必须为字符型,如果没有给出,则会默认编码为整型,为{0, 1,…, n_classes-1} 。
-
optimizer:
选择优化器,默认使用Adagrad optimizer,激活函数为tf.nn.relu。
-
config:
一个运行配置对象,用来配置运行时间。
-
warm_start_from:
热启动选项。
-
loss_reduction:
定义损失函数,默认为SUM方法。
-
partitioner:
可选的。输入层分割器
-
sparse_combiner:
稀疏组合器,当一个绝对特征列是多价的时候,指定如何去减少损失。
(三)属 性(Properties)
- config
- model_dir
- model_fn
Returns the model_fn which is bound to self.params.
返回:
model_fn 附有以下标记: def model_fn(features, labels, mode, config)
(四)方 法(Methods)
(1)evaluate(评估)
evaluate(input_fn,steps=None,hooks=None,checkpoint_path=None,name=None
)
评估函数,使用input_fn给出的评估数据评估训练好的模型,参数列表如下:
- input_fn:
一个用来构造用于评估的数据的函数,这个函数应该构造和返回如下的值:一个tf.data.Dataset对象或者一个包含 (features, labels)的元组,它们应当满足model_fn函数对输入数据的要求,在后面的实例中我们会详细介绍。 - checkpoint_path:
用来保存训练好的模型 - name:
如果用户需要在不同的数据集上运行多个评价,如训练集和测试集,则为要进行评估的名称,不同的评估度量被保存在单独的文件夹中,并分别出现在tensorboard中。
(2)predict(预测)
predict(input_fn,predict_keys=None,hooks=None,checkpoint_path=None,yield_single_examples=True
)
使用训练好的模型对新实例进行预测,以下为参数列表:
-
input_fn:
一个用来构造用于评估的数据的函数,这个函数应该构造和返回如下的值:一个tf.data.Dataset对象或者一个包含 (features, labels)的元组,它们应当满足model_fn函数对输入数据的要求,在后面的实例中我们会详细介绍。
-
predict_keys:
预测函数最终会返回一系列的结果,但我们可以有选择地让其输出,可供选择的keys列表为[‘logits’, ‘logistic’, ‘probabilities’, ‘class_ids’, ‘classes’],如果不指定的话,默认返回所有值。
-
hooks:
tf.train.SessionRunHook的子类实例列表,在预测调用中用于传回。
-
checkpoint_path:
训练好的模型的目录
-
yield_single_examples:
可以选择False或是True,如果选择False,由model_fn返回整个批次,而不是将批次分解为单个元素。当model_fn返回的一些的张量的第一维度和批处理数量不相等时,这个功能是很用的。
(3)train(训练)
train(input_fn,hooks=None,steps=None,max_steps=None,saving_listeners=None
)
用于训练模型,以下为参数列表:
-
input_fn:
一个用来构造用于评估的数据的函数,这个函数应该构造和返回如下的值:一个tf.data.Dataset对象或者一个包含 (features, labels)的元组,它们应当满足model_fn函数对输入数据的要求,在后面的实例中我们会详细介绍。
-
hooks:
tf.train.SessionRunHook的子类实例列表,在预测调用中用于传回。
-
steps:
模型训练的次数,如果不指定,则会一直训练知道input_fn传回的数据消耗完为止。如果你不想要增量表现,就设置max_steps来替代,注意设置了steps,max_steps必须为None,设置了max_steps,steps必须为None。
-
max_steps:
模型训练的总次数,注意设置了steps,max_steps必须为None,设置了max_steps,steps必须为None。
-
saving_listeners:
CheckpointSaverListener对象的列表,用于在检查点保存之前或之后立即运行的回调。