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

使用 mean_squared_error 损失为回归创建 Head。

继承自：Head

用法

tf.estimator.RegressionHead(
    label_dimension=1, weight_column=None,
    loss_reduction=tf.losses.Reduction.SUM_OVER_BATCH_SIZE, loss_fn=None,
    inverse_link_fn=None, name=None
)

损失是所有输入维度的加权和。也就是说，如果输入标签的形状为 [batch_size, label_dimension] ，则损失是 batch_size 和 label_dimension 的加权和。

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

labels 形状必须匹配 logits ，即 [D0, D1, ... DN, label_dimension] 。如果 label_dimension=1 ，形状 [D0, D1, ... DN] 也受支持。

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

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, label_dimension] 的未减少损失。

也支持自定义inverse_link_fn，也称为'mean function'。inverse_link_fn仅用于PREDICT模式。它需要logits作为参数并返回预测值。这个函数是定义的链接函数的逆https://en.wikipedia.org/wiki/Generalized_linear_model#Link_function即，对于泊松回归，设置inverse_link_fn=tf.exp.

用法：

head = tf.estimator.RegressionHead()
logits = np.array(((45,), (41,),), dtype=np.float32)
labels = np.array(((43,), (44,),), dtype=np.int32)
features = {'x':np.array(((42,),), dtype=np.float32)}
# expected_loss = weighted_loss / batch_size
#               = (43-45)^2 + (44-41)^2 / 2 = 6.50
loss = head.loss(labels, logits, features=features)
print('{:.2f}'.format(loss.numpy()))
6.50
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()))
  average_loss:6.50
  label/mean:43.50
  prediction/mean:43.00
preds = head.predictions(logits)
print(preds['predictions'])
tf.Tensor(
  [[45.]
   [41.]], shape=(2, 1), dtype=float32)

与罐装估算器一起使用：

my_head = tf.estimator.RegressionHead()
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.RegressionHead()
  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)