Python tf.compat.v1.keras.estimator.model_to_estimator用法及代碼示例

從給定的 keras 模型構造一個 Estimator 實例。

用法

tf.compat.v1.keras.estimator.model_to_estimator(
    keras_model=None, keras_model_path=None, custom_objects=None, model_dir=None,
    config=None, checkpoint_format='saver', metric_names_map=None,
    export_outputs=None
)

參數

keras_model 已編譯的 Keras 模型對象。此參數與 keras_model_path 互斥。 Estimator 的model_fn 使用模型的結構來克隆模型。默認為 None 。
keras_model_path 以 HDF5 格式保存在磁盤上的已編譯 Keras 模型的路徑，可以使用 Keras 模型的save() 方法生成。此參數與 keras_model 互斥。默認為 None 。
custom_objects 用於克隆自定義對象的字典。這與不屬於此 pip 包的類一起使用。例如，如果用戶維護一個繼承自 tf.keras.layers.Layer 的 relu6 類，則傳遞 custom_objects={'relu6':relu6} 。默認為 None 。
model_dir 用於保存 Estimator 模型參數、圖形、TensorBoard 的摘要文件等的目錄。如果未設置，將使用 tempfile.mkdtemp 創建目錄
config RunConfig配置Estimator.允許在model_fn基於配置，例如num_ps_replicas，或者model_dir.默認為None.如果兩者config.model_dir和model_dir參數(上麵)被指定為model_dir 參數優先。
checkpoint_format 設置訓練時估計器保存的檢查點的格式。可能是 saver 或 checkpoint ，具體取決於是否保存來自 tf.train.Saver 或 tf.train.Checkpoint 的檢查點。此參數當前默認為 saver 。當 2.0 發布時，默認值為 checkpoint 。估計器使用基於名稱的 tf.train.Saver 檢查點，而 Keras 模型使用來自 tf.train.Checkpoint 的基於對象的檢查點。目前，僅函數模型和順序模型支持從 model_to_estimator 保存基於對象的檢查點。默認為'saver'。
metric_names_map 可選字典將 Keras 模型輸出指標名稱映射到自定義名稱。這可用於覆蓋多 IO 模型用例中的默認 Keras 模型輸出指標名稱，並為 Estimator 中的 eval_metric_ops 提供自定義名稱。 Keras 模型度量名稱可以使用model.metrics_names 獲得，不包括任何損失度量，例如總損失和輸出損失。例如，如果您的 Keras 模型有兩個輸出 out_1 和 out_2 ，具有 mse 損失和 acc 指標，那麽 model.metrics_names 將是 ['loss', 'out_1_loss', 'out_2_loss', 'out_1_acc', 'out_2_acc'] 。不包括損失指標的模型指標名稱將是 ['out_1_acc', 'out_2_acc'] 。
export_outputs
可選字典。這可用於覆蓋多 IO 模型用例中的默認 Keras 模型輸出導出，並為export_outputs在tf.estimator.EstimatorSpec.默認為無，相當於 {'serving_default':tf.estimator.export.PredictOutput}。如果不是 None，則鍵必須與model.output_names.一個字典{name:output}其中:
- 名稱：此輸出的任意名稱。
- 輸出：ExportOutput 類，例如 ClassificationOutput , RegressionOutput 或 PredictOutput 。 Single-headed 模型隻需要在這個字典中指定一個條目。 Multi-headed 模型應為每個磁頭指定一個條目，其中一個必須使用 tf.saved_model.signature_constants.DEFAULT_SERVING_SIGNATURE_DEF_KEY 命名如果未提供條目，則將創建默認的 PredictOutput 映射到 predictions。

來自給定 keras 模型的 Estimator。

拋出

ValueError 如果既沒有給出 keras_model 也沒有給出 keras_model_path。
ValueError 如果同時給出 keras_model 和 keras_model_path。
ValueError 如果keras_model_path 是 GCS URI。
ValueError 如果 keras_model 尚未編譯。
ValueError 如果給出了無效的checkpoint_format。

如果您使用依賴於 Estimator 的基礎架構或其他工具，您仍然可以構建 Keras 模型並使用 model_to_estimator 將 Keras 模型轉換為 Estimator 以用於下遊係統。

有關使用示例，請參閱：從 Keras 模型創建估算器。

樣品重量：

model_to_estimator 返回的估計器被配置為可以處理樣本權重(類似於 keras_model.fit(x, y, sample_weights) )。

要在訓練或評估 Estimator 時傳遞樣本權重，輸入函數返回的第一項應該是帶有鍵 features 和 sample_weights 的字典。下麵的例子：

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)

帶有自定義導出簽名的示例：

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)

相關用法

注：本文由純淨天空篩選整理自tensorflow.org大神的英文原創作品 tf.compat.v1.keras.estimator.model_to_estimator。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。