当前位置: 首页>>代码示例 >>用法及示例精选 >>正文


Python tf.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:EstimatorEstimator

用法

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

参数

  • 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。
  • label_dimension 每个示例的回归目标数。这是标签和 logits Tensor 对象的最后一个维度的大小(通常,这些对象的形状为 [batch_size, label_dimension] )。
  • weight_column tf.feature_column.numeric_column 创建的字符串或 _NumericColumn 定义表示权重的特征列。它将乘以示例的损失。
  • optimizer 字符串、tf.keras.optimizers.* 对象或可调用,用于创建用于训练的优化器。如果未指定,将使用 Ftrl 作为默认优化器。
  • config RunConfig 对象来配置运行时设置。
  • loss_reduction tf.losses.Reduction 之一,除了 NONE 。说明如何减少批量训练损失。默认为 SUM_OVER_BATCH_SIZE

属性

  • config
  • export_savedmodel
  • model_dir
  • model_fn 返回绑定到 self.paramsmodel_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)

trainevaluate 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.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。