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

为多标签分类创建Head。

继承自：Head

用法

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

多标签分类处理每个示例可能具有来自离散集合的零个或多个相关标签的情况。这与 MultiClassHead 不同，每个示例只有一个标签。

对类使用 sigmoid_cross_entropy 损失平均值，对批次使用加权和。也就是说，如果输入 logits 的形状为 [batch_size, n_classes] ，则损失是 n_classes 的平均值和 batch_size 的加权和。

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] 。

标签可以是：

• 形状为 [D0, D1, ... DN, n_classes] 的 multi-hot 张量
• 类索引的整数SparseTensor。 dense_shape 必须是 [D0, D1, ... DN, ?] 和 [0, n_classes) 中的值。
• 如果给定 label_vocabulary，则为字符串 SparseTensor 。 dense_shape 必须是 [D0, D1, ... DN, ?] 和 label_vocabulary 或形状为 [D0, D1, ... DN, n_classes] 的 multi-hot 张量内的值。

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

还支持自定义 loss_fn 。 loss_fn 将 (labels, logits) 或 (labels, logits, features) 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, n_classes] 的指标 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 = 2
head = tf.estimator.MultiLabelHead(n_classes)
logits = np.array([[-1., 1.], [-1.5, 1.5]], dtype=np.float32)
labels = np.array([[1, 0], [1, 1]], dtype=np.int64)
features = {'x':np.array([[41], [42]], dtype=np.int32)}
# expected_loss = sum(_sigmoid_cross_entropy(labels, logits)) / batch_size
#               = sum(1.31326169, 0.9514133) / 2 = 1.13
loss = head.loss(labels, logits, features=features)
print('{:.2f}'.format(loss.numpy()))
1.13
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()))
auc:0.33
auc_precision_recall:0.77
average_loss:1.13
preds = head.predictions(logits)
print(preds['logits'])
tf.Tensor(
  [[-1.   1. ]
   [-1.5  1.5]], shape=(2, 2), dtype=float32)

与罐装估算器一起使用：

my_head = tf.estimator.MultiLabelHead(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.MultiLabelHead(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)