Python tf.keras.experimental.WideDeepModel用法及代码示例

用于回归和分类问题的 Wide & Deep 模型。

继承自：Model、Layer、Module

用法

tf.keras.experimental.WideDeepModel(
    linear_model, dnn_model, activation=None, **kwargs
)

参数

linear_model 预制的 LinearModel，其输出必须与 dnn 模型的输出相匹配。
dnn_model a tf.keras.Model ，其输出必须与线性模型的输出相匹配。
activation 激活函数。将其设置为 None 以保持线性激活。
**kwargs 传递给 BaseLayer 的关键字参数。在里面.允许的关键字参数包括name.

属性

distribute_strategy 该模型是在 tf.distribute.Strategy 下创建的。
layers

metrics_names 返回所有输出的模型显示标签。

注意：metrics_names 仅在 keras.Model 已根据实际数据进行训练/评估后可用。

inputs = tf.keras.layers.Input(shape=(3,))
outputs = tf.keras.layers.Dense(2)(inputs)
model = tf.keras.models.Model(inputs=inputs, outputs=outputs)
model.compile(optimizer="Adam", loss="mse", metrics=["mae"])
model.metrics_names
[]

x = np.random.random((2, 3))
y = np.random.randint(0, 2, (2, 2))
model.fit(x, y)
model.metrics_names
['loss', 'mae']

inputs = tf.keras.layers.Input(shape=(3,))
d = tf.keras.layers.Dense(2, name='out')
output_1 = d(inputs)
output_2 = d(inputs)
model = tf.keras.models.Model(
   inputs=inputs, outputs=[output_1, output_2])
model.compile(optimizer="Adam", loss="mse", metrics=["mae", "acc"])
model.fit(x, (y, y))
model.metrics_names
['loss', 'out_loss', 'out_1_loss', 'out_mae', 'out_acc', 'out_1_mae',
'out_1_acc']

run_eagerly 指示模型是否应立即运行的可设置属性。
即刻地运行意味着您的模型将像 Python 代码一样逐步运行。您的模型可能会运行得更慢，但通过单步调用各个层调用，您应该可以更轻松地对其进行调试。

默认情况下，我们将尝试将您的模型编译为静态图以提供最佳执行性能。

该模型联合训练了一个线性模型和一个 dnn 模型。

例子：

linear_model = LinearModel()
dnn_model = keras.Sequential([keras.layers.Dense(units=64),
                             keras.layers.Dense(units=1)])
combined_model = WideDeepModel(linear_model, dnn_model)
combined_model.compile(optimizer=['sgd', 'adam'], 'mse', ['mse'])
# define dnn_inputs and linear_inputs as separate numpy arrays or
# a single numpy array if dnn_inputs is same as linear_inputs.
combined_model.fit([linear_inputs, dnn_inputs], y, epochs)
# or define a single `tf.data.Dataset` that contains a single tensor or
# separate tensors for dnn_inputs and linear_inputs.
dataset = tf.data.Dataset.from_tensors(([linear_inputs, dnn_inputs], y))
combined_model.fit(dataset, epochs)

在联合训练之前，线性和 dnn 模型都可以单独进行预编译和训练：

例子：

linear_model = LinearModel()
linear_model.compile('adagrad', 'mse')
linear_model.fit(linear_inputs, y, epochs)
dnn_model = keras.Sequential([keras.layers.Dense(units=1)])
dnn_model.compile('rmsprop', 'mse')
dnn_model.fit(dnn_inputs, y, epochs)
combined_model = WideDeepModel(linear_model, dnn_model)
combined_model.compile(optimizer=['sgd', 'adam'], 'mse', ['mse'])
combined_model.fit([linear_inputs, dnn_inputs], y, epochs)

相关用法

注：本文由纯净天空筛选整理自tensorflow.org大神的英文原创作品 tf.keras.experimental.WideDeepModel。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。