当前位置: 首页>>代码示例 >>用法及示例精选 >>正文

Python tf.compat.v1.estimator.BaselineRegressor用法及代码示例


可以建立简单基线的回归器。

警告：不建议将估算器用于新代码。估算器运行tf.compat.v1.Session-style 代码更难正确编写，并且可能出现意外行为，尤其是与 TF 2 代码结合使用时。估算器确实属于我们的兼容性保证，但不会收到除安全漏洞以外的任何修复。见迁移指南详情。

继承自：Estimator

用法

tf.compat.v1.estimator.BaselineRegressor(
    model_dir=None, label_dimension=1, weight_column=None,
    optimizer='Ftrl', config=None,
    loss_reduction=tf.compat.v1.losses.Reduction.SUM
)

参数

  • model_fn 模型函数。遵循签名：
    • features -- 这是从 input_fn 返回的第一项，传递给 train , evaluate 和 predict 。这应该是一个相同的 tf.Tensor 或 dict。
    • labels -- 这是从传递给 train , evaluate 和 predict 的 input_fn 返回的第二项。这应该是相同的单个tf.Tensor 或dict(对于multi-head 型号)。如果 mode 是 tf.estimator.ModeKeys.PREDICT ， labels=None 将被传递。如果 model_fn 的签名不接受 mode ，则 model_fn 必须仍然能够处理 labels=None 。
    • mode -- 可选。指定这是训练、评估还是预测。见tf.estimator.ModeKeys。 params -- 可选的 dict 超参数。将接收 params 参数中传递给 Estimator 的内容。这允许通过超参数调整来配置 Estimator。
    • config -- 可选的 estimator.RunConfig 对象。将接收作为其config 参数或默认值传递给 Estimator 的内容。允许根据 num_ps_replicas 或 model_dir 等配置在 model_fn 中进行设置。
    • 返回 -- tf.estimator.EstimatorSpec
  • model_dir 保存模型参数、图形等的目录。这也可用于将检查点从目录加载到估计器中，以继续训练先前保存的模型。如果PathLike 对象，路径将被解析。如果 None ，如果设置，将使用 config 中的 model_dir。如果两者都设置，则它们必须相同。如果两者都是 None ，将使用临时目录。
  • config estimator.RunConfig 配置对象。
  • params dict 的超参数将被传递到 model_fn 。键是参数的名称，值是基本的 Python 类型。
  • warm_start_from 检查点或 SavedModel 的可选字符串文件路径以进行热启动，或 tf.estimator.WarmStartSettings 对象以完全配置热启动。如果没有，只有 TRAINABLE 变量是热启动的。如果提供了字符串文件路径而不是 tf.estimator.WarmStartSettings ，则所有变量都是热启动的，并且假定词汇表和 tf.Tensor 名称不变。

抛出

  • ValueError model_fn 的参数与 params 不匹配。
  • ValueError 如果这是通过子类调用的，并且该类覆盖了 Estimator 的成员。

属性

  • config
  • model_dir
  • model_fn 返回绑定到 self.params 的 model_fn 。
  • params

该回归器忽略特征值，将学习预测每个标签的平均值。

例子：

# Build BaselineRegressor
regressor = tf.estimator.BaselineRegressor()

# Input builders
def input_fn_train:
  # Returns tf.data.Dataset of (x, y) tuple where y represents label's class
  # index.
  pass

def input_fn_eval:
  # Returns tf.data.Dataset of (x, y) tuple where y represents label's class
  # index.
  pass

# Fit model.
regressor.train(input_fn=input_fn_train)

# Evaluate squared-loss between the test and train targets.
loss = regressor.evaluate(input_fn=input_fn_eval)["loss"]

# predict outputs the mean value seen during training.
predictions = regressor.predict(new_samples)

train 和 evaluate 的输入应具有以下特征，否则会出现 KeyError ：

  • 如果 weight_column 不是 None ，则具有 key=weight_column 的特征，其值为 Tensor 。

相关用法


注：本文由纯净天空筛选整理自tensorflow.org大神的英文原创作品 tf.compat.v1.estimator.BaselineRegressor。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。