Python tf.keras.estimator.model_to_estimator用法及代码示例

从给定的 keras 模型构造一个 Estimator 实例。

用法

tf.keras.estimator.model_to_estimator(
    keras_model=None, keras_model_path=None, custom_objects=None, model_dir=None,
    config=None, checkpoint_format='checkpoint', metric_names_map=None,
    export_outputs=None
)

如果您使用依赖于 Estimator 的基础架构或其他工具，您仍然可以构建 Keras 模型并使用 model_to_estimator 将 Keras 模型转换为 Estimator 以用于下游系统。

有关使用示例，请参阅：从 Keras 模型创建估算器。

样品重量：

model_to_estimator 返回的估计器被配置为可以处理样本权重(类似于 keras_model.fit(x, y, sample_weights) )。

要在训练或评估 Estimator 时传递样本权重，输入函数返回的第一项应该是带有键 features 和 sample_weights 的字典。下面的例子：

keras_model = tf.keras.Model(...)
keras_model.compile(...)

estimator = tf.keras.estimator.model_to_estimator(keras_model)

def input_fn():
  return dataset_ops.Dataset.from_tensors(
      ({'features':features, 'sample_weights':sample_weights},
       targets))

estimator.train(input_fn, steps=1)

带有自定义导出签名的示例：

inputs = {'a':tf.keras.Input(..., name='a'),
          'b':tf.keras.Input(..., name='b')}
outputs = {'c':tf.keras.layers.Dense(..., name='c')(inputs['a']),
           'd':tf.keras.layers.Dense(..., name='d')(inputs['b'])}
keras_model = tf.keras.Model(inputs, outputs)
keras_model.compile(...)
export_outputs = {'c':tf.estimator.export.RegressionOutput,
                  'd':tf.estimator.export.ClassificationOutput}

estimator = tf.keras.estimator.model_to_estimator(
    keras_model, export_outputs=export_outputs)

def input_fn():
  return dataset_ops.Dataset.from_tensors(
      ({'features':features, 'sample_weights':sample_weights},
       targets))

estimator.train(input_fn, steps=1)

注意：我们不支持在 Keras 中创建加权指标并使用 model_to_estimator 在 Estimator API 中将它们转换为加权指标。您必须使用 add_metrics 函数直接在估算器规范上创建这些指标。

要自定义估计器eval_metric_ops 名称，您可以传入 metric_names_map 字典，将 keras 模型输出指标名称映射到自定义名称，如下所示：

input_a = tf.keras.layers.Input(shape=(16,), name='input_a')
  input_b = tf.keras.layers.Input(shape=(16,), name='input_b')
  dense = tf.keras.layers.Dense(8, name='dense_1')
  interm_a = dense(input_a)
  interm_b = dense(input_b)
  merged = tf.keras.layers.concatenate([interm_a, interm_b], name='merge')
  output_a = tf.keras.layers.Dense(3, activation='softmax', name='dense_2')(
          merged)
  output_b = tf.keras.layers.Dense(2, activation='softmax', name='dense_3')(
          merged)
  keras_model = tf.keras.models.Model(
      inputs=[input_a, input_b], outputs=[output_a, output_b])
  keras_model.compile(
      loss='categorical_crossentropy',
      optimizer='rmsprop',
      metrics={
          'dense_2':'categorical_accuracy',
          'dense_3':'categorical_accuracy'
      })

  metric_names_map = {
      'dense_2_categorical_accuracy':'acc_1',
      'dense_3_categorical_accuracy':'acc_2',
  }
  keras_est = tf.keras.estimator.model_to_estimator(
      keras_model=keras_model,
      config=config,
      metric_names_map=metric_names_map)