Python tf.estimator.MultiClassHead用法及代码示例

为多类分类创建Head。

继承自：Head

用法

tf.estimator.MultiClassHead(
    n_classes, weight_column=None, label_vocabulary=None,
    loss_reduction=tf.losses.Reduction.SUM_OVER_BATCH_SIZE, loss_fn=None, name=None
)

使用 sparse_softmax_cross_entropy 损失。

头部期望 logits 形状为 [D0, D1, ... DN, n_classes] 。在许多应用程序中，形状是 [batch_size, n_classes] 。

labels 必须是稠密的 Tensor 且形状匹配 logits ，即 [D0, D1, ... DN, 1] 。如果给定 label_vocabulary，则 labels 必须是带有词汇表值的字符串 Tensor。如果未给出label_vocabulary，则labels 必须是整数Tensor，其值指定类索引。

如果指定了 weight_column，则权重的形状必须为 [D0, D1, ... DN] 或 [D0, D1, ... DN, 1] 。

损失是输入维度的加权和。也就是说，如果输入标签的形状为 [batch_size, 1] ，则损失是 batch_size 上的加权和。

还支持自定义 loss_fn 。 loss_fn 将 (labels, logits) 或 (labels, logits, features, loss_reduction) 作为参数并返回形状为 [D0, D1, ... DN, 1] 的未减少损失。 loss_fn 必须支持形状为 [D0, D1, ... DN, 1] 的整数 labels 。即，头部将 label_vocabulary 应用于输入标签，然后将它们传递给 loss_fn 。

用法：

n_classes = 3
head = tf.estimator.MultiClassHead(n_classes)
logits = np.array(((10, 0, 0), (0, 10, 0),), dtype=np.float32)
labels = np.array(((1,), (1,)), dtype=np.int64)
features = {'x':np.array(((42,),), dtype=np.int32)}
# expected_loss = sum(cross_entropy(labels, logits)) / batch_size
#               = sum(10, 0) / 2 = 5.
loss = head.loss(labels, logits, features=features)
print('{:.2f}'.format(loss.numpy()))
5.00
eval_metrics = head.metrics()
updated_metrics = head.update_metrics(
  eval_metrics, features, logits, labels)
for k in sorted(updated_metrics):
  print('{}:{:.2f}'.format(k, updated_metrics[k].result().numpy()))
accuracy:0.50
average_loss:5.00
preds = head.predictions(logits)
print(preds['logits'])
tf.Tensor(
  [[10.  0.  0.]
   [ 0. 10.  0.]], shape=(2, 3), dtype=float32)

与罐装估算器一起使用：

my_head = tf.estimator.MultiClassHead(n_classes=3)
my_estimator = tf.estimator.DNNEstimator(
    head=my_head,
    hidden_units=...,
    feature_columns=...)

它也可以与自定义 model_fn 一起使用。例子：

def _my_model_fn(features, labels, mode):
  my_head = tf.estimator.MultiClassHead(n_classes=3)
  logits = tf.keras.Model(...)(features)

  return my_head.create_estimator_spec(
      features=features,
      mode=mode,
      labels=labels,
      optimizer=tf.keras.optimizers.Adagrad(lr=0.1),
      logits=logits)

my_estimator = tf.estimator.Estimator(model_fn=_my_model_fn)