Python tf.estimator.experimental.RNNClassifier用法及代码示例

参数

• sequence_feature_columns 包含表示顺序输入的 FeatureColumn 的可迭代对象。集合中的所有项目都应该是序列列(例如 sequence_numeric_column )或从一个列构造(例如 embedding_column 与 sequence_categorical_column_* 作为输入)。
• context_feature_columns 包含用于上下文输入的 FeatureColumn 的迭代。这些列表示的数据将在每个时间步被复制并提供给 RNN。这些列必须是派生自 DenseColumn 的类的实例，例如 numeric_column ，而不是顺序变体。
• units 每个 RNN 层的整数个隐藏单元的迭代。如果设置，还必须指定 cell_type 并且 rnn_cell_fn 必须是 None 。
• cell_type 生成 RNN 单元的类或指定单元类型的字符串。支持的字符串是：'simple_rnn' , 'lstm' 和 'gru'。如果设置，还必须指定 units 并且 rnn_cell_fn 必须是 None 。
• rnn_cell_fn 一个返回 RNN 单元实例的函数，该实例将用于构造 RNN。如果设置，则无法设置units 和cell_type。这适用于需要在 units 和 cell_type 之外进行额外自定义的高级用户。请注意，堆叠 RNN 需要 tf.keras.layers.StackedRNNCells。
• return_sequences 一个布尔值，指示是返回输出序列中的最后一个输出，还是返回完整序列。请注意，如果为 True，weight_column 必须为 None 或字符串。
• 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。
• n_classes 标签类别的数量。默认为2，即二分类。必须 > 1。
• weight_column 由 tf.feature_column.numeric_column 创建的字符串或 NumericColumn 定义表示权重的特征列。它用于在训练期间减轻重量或增加示例。它将乘以示例的损失。如果它是一个字符串，它被用作从 features 中获取权重张量的键。如果是 NumericColumn ，则通过键 weight_column.key 获取原始张量，然后对其应用 weight_column.normalizer_fn 以获得权​​重张量。
• label_vocabulary 字符串列表表示可能的标签值。如果给定，标签必须是字符串类型并且在 label_vocabulary 中具有任何值。如果没有给出，这意味着标签已经编码为整数或在 [0, 1] 内为 n_classes=2 和在 {0, 1,..., n_classes-1} 中编码为整数值 n_classes > 2.如果没有提供词汇并且标签是字符串，也会出现错误。
• optimizer tf.Optimizer 的实例或指定优化器类型的字符串。默认为 Adagrad 优化器。
• 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 。
• sequence_mask 具有序列掩码张量名称的字符串。如果sequence_mask 在特征字典中，则使用提供的张量，否则从序列特征的长度计算序列掩码。序列掩码用于评估和训练模式以汇总损失和度量计算，同时排除填充步骤。它还在预测模式下添加到预测字典中，以指示哪些步骤正在填充。
• config RunConfig 对象来配置运行时设置。

抛出

• ValueError 如果 units , cell_type 和 rnn_cell_fn 不兼容。

属性

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