Python tf.estimator.BinaryClassHead用法及代碼示例

為單標簽二進製分類創建Head。

繼承自：Head

用法

tf.estimator.BinaryClassHead(
    weight_column=None, thresholds=None, label_vocabulary=None,
    loss_reduction=tf.losses.Reduction.SUM_OVER_BATCH_SIZE, loss_fn=None, name=None
)

使用 sigmoid_cross_entropy_with_logits 損失。

頭部期望 logits 形狀為 [D0, D1, ... DN, 1] 。在許多應用程序中，形狀是 [batch_size, 1] 。

labels 必須是稠密的 Tensor 且形狀匹配 logits ，即 [D0, D1, ... DN, 1] 。如果給定 label_vocabulary，則 labels 必須是帶有詞匯表值的字符串 Tensor。如果沒有給出 label_vocabulary，則 labels 必須是浮點數 Tensor ，其值在區間 [0, 1] 中。

如果指定了 weight_column，則權重的形狀必須為 [D0, D1, ... DN] 或 [D0, D1, ... DN, 1] 。

損失是輸入維度的加權和。也就是說，如果輸入標簽的形狀為 [batch_size, 1] ，則損失是 batch_size 上的加權和。

還支持自定義 loss_fn 。 loss_fn 將 (labels, logits) 或 (labels, logits, features, loss_reduction) 作為參數並返回形狀為 [D0, D1, ... DN, 1] 的損失。 loss_fn 必須支持形狀為 [D0, D1, ... DN, 1] 的浮點 labels 。即，頭部將 label_vocabulary 應用於輸入標簽，然後將它們傳遞給 loss_fn 。

用法：

head = tf.estimator.BinaryClassHead()
logits = np.array(((45,), (-41,),), dtype=np.float32)
labels = np.array(((1,), (1,),), dtype=np.int32)
features = {'x':np.array(((42,),), dtype=np.float32)}
# expected_loss = sum(cross_entropy(labels, logits)) / batch_size
#               = sum(0, 41) / 2 = 41 / 2 = 20.50
loss = head.loss(labels, logits, features=features)
print('{:.2f}'.format(loss.numpy()))
20.50
eval_metrics = head.metrics()
updated_metrics = head.update_metrics(
  eval_metrics, features, logits, labels)
for k in sorted(updated_metrics):
 print('{}:{:.2f}'.format(k, updated_metrics[k].result().numpy()))
  accuracy:0.50
  accuracy_baseline:1.00
  auc:0.00
  auc_precision_recall:1.00
  average_loss:20.50
  label/mean:1.00
  precision:1.00
  prediction/mean:0.50
  recall:0.50
preds = head.predictions(logits)
print(preds['logits'])
tf.Tensor(
  [[ 45.]
   [-41.]], shape=(2, 1), dtype=float32)

與罐裝估算器一起使用：

my_head = tf.estimator.BinaryClassHead()
my_estimator = tf.estimator.DNNEstimator(
    head=my_head,
    hidden_units=...,
    feature_columns=...)

它也可以與自定義 model_fn 一起使用。例子：

def _my_model_fn(features, labels, mode):
  my_head = tf.estimator.BinaryClassHead()
  logits = tf.keras.Model(...)(features)

  return my_head.create_estimator_spec(
      features=features,
      mode=mode,
      labels=labels,
      optimizer=tf.keras.optimizers.Adagrad(lr=0.1),
      logits=logits)

my_estimator = tf.estimator.Estimator(model_fn=_my_model_fn)