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

具有用户指定头部的 TensorFlow RNN 模型的 Estimator。

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：Estimator

用法

tf.estimator.experimental.RNNEstimator(
    head, sequence_feature_columns, context_feature_columns=None, units=None,
    cell_type=USE_DEFAULT, rnn_cell_fn=None, return_sequences=False, model_dir=None,
    optimizer='Adagrad', config=None
)

例子：

token_sequence = sequence_categorical_column_with_hash_bucket(...)
token_emb = embedding_column(categorical_column=token_sequence, ...)

estimator = RNNEstimator(
    head=tf.estimator.RegressionHead(),
    sequence_feature_columns=[token_emb],
    units=[32, 16], cell_type='lstm')

# Or with custom RNN cell:
def rnn_cell_fn(_):
  cells = [ tf.keras.layers.LSTMCell(size) for size in [32, 16] ]
  return tf.keras.layers.StackedRNNCells(cells)

estimator = RNNEstimator(
    head=tf.estimator.RegressionHead(),
    sequence_feature_columns=[token_emb],
    rnn_cell_fn=rnn_cell_fn)

# Input builders
def input_fn_train:# returns x, y
  pass
estimator.train(input_fn=input_fn_train, steps=100)

def input_fn_eval:# returns x, y
  pass
metrics = estimator.evaluate(input_fn=input_fn_eval, steps=10)
def input_fn_predict:# returns x, None
  pass
predictions = estimator.predict(input_fn=input_fn_predict)

train 和 evaluate 的输入应具有以下特征，否则会出现 KeyError ：

• 如果头部的 weight_column 不是 None ，则具有 key=weight_column 的特征，其值为 Tensor 。
• 对于每个column在sequence_feature_columns：
  • 具有 key=column.name 的函数，其 value 是 SparseTensor 。
• 对于每个column在context_feature_columns：
  • 如果 column 是 CategoricalColumn ，则具有 key=column.name 的特征，其 value 是 SparseTensor 。
  • 如果 column 是 WeightedCategoricalColumn ，则有两个特征：第一个具有 key id 列名，第二个具有 key 权重列名。两个函数的 value 必须是 SparseTensor 。
  • 如果 column 是 DenseColumn ，则具有 key=column.name 的特征，其 value 是 Tensor 。

损失和预测输出由指定的头部确定。