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

用於 TensorFlow 線性和 DNN 的估計器加入了帶有自定義頭部的模型。

警告：不建議將估算器用於新代碼。估算器運行tf.compat.v1.Session-style 代碼更難正確編寫，並且可能出現意外行為，尤其是與 TF 2 代碼結合使用時。估算器確實屬於我們的兼容性保證，但不會收到除安全漏洞以外的任何修複。見遷移指南詳情。

繼承自：Estimator，Estimator

用法

tf.estimator.DNNLinearCombinedEstimator(
    head, model_dir=None, linear_feature_columns=None,
    linear_optimizer='Ftrl', dnn_feature_columns=None,
    dnn_optimizer='Adagrad', dnn_hidden_units=None,
    dnn_activation_fn=tf.nn.relu, dnn_dropout=None, config=None, batch_norm=False,
    linear_sparse_combiner='sum'
)

注意：此估計器也稱為wide-n-deep。

例子：

numeric_feature = numeric_column(...)
categorical_column_a = categorical_column_with_hash_bucket(...)
categorical_column_b = categorical_column_with_hash_bucket(...)

categorical_feature_a_x_categorical_feature_b = crossed_column(...)
categorical_feature_a_emb = embedding_column(
    categorical_column=categorical_feature_a, ...)
categorical_feature_b_emb = embedding_column(
    categorical_column=categorical_feature_b, ...)

estimator = tf.estimator.DNNLinearCombinedEstimator(
    head=tf.estimator.MultiLabelHead(n_classes=3),
    # wide settings
    linear_feature_columns=[categorical_feature_a_x_categorical_feature_b],
    linear_optimizer=tf.keras.optimizers.Ftrl(...),
    # deep settings
    dnn_feature_columns=[
        categorical_feature_a_emb, categorical_feature_b_emb,
        numeric_feature],
    dnn_hidden_units=[1000, 500, 100],
    dnn_optimizer=tf.keras.optimizers.Adagrad(...))

# To apply L1 and L2 regularization, you can set dnn_optimizer to:
tf.compat.v1.train.ProximalAdagradOptimizer(
    learning_rate=0.1,
    l1_regularization_strength=0.001,
    l2_regularization_strength=0.001)
# To apply learning rate decay, you can set dnn_optimizer to a callable:
lambda:tf.keras.optimizers.Adam(
    learning_rate=tf.compat.v1.train.exponential_decay(
        learning_rate=0.1,
        global_step=tf.compat.v1.train.get_global_step(),
        decay_steps=10000,
        decay_rate=0.96)
# It is the same for linear_optimizer.

# Input builders
def input_fn_train:
  # Returns tf.data.Dataset of (x, y) tuple where y represents label's class
  # index.
  pass
def input_fn_eval:
  # Returns tf.data.Dataset of (x, y) tuple where y represents label's class
  # index.
  pass
def input_fn_predict:
  # Returns tf.data.Dataset of (x, None) tuple.
  pass
estimator.train(input_fn=input_fn_train, steps=100)
metrics = estimator.evaluate(input_fn=input_fn_eval, steps=10)
predictions = estimator.predict(input_fn=input_fn_predict)

train 和 evaluate 的輸入應具有以下特征，否則會出現 KeyError ：

• 對於每個column在dnn_feature_columns+linear_feature_columns：
  • 如果 column 是 CategoricalColumn ，則具有 key=column.name 的特征，其 value 是 SparseTensor 。
  • 如果 column 是 WeightedCategoricalColumn ，則有兩個特征：第一個具有 key id 列名，第二個具有 key 權重列名。兩個函數的 value 必須是 SparseTensor 。
  • 如果 column 是 DenseColumn ，則具有 key=column.name 的特征，其 value 是 Tensor 。

損失是使用均方誤差計算的。