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

為多標簽分類創建Head。

繼承自：Head

用法

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

多標簽分類處理每個示例可能具有來自離散集合的零個或多個相關標簽的情況。這與 MultiClassHead 不同，每個示例隻有一個標簽。

對類使用 sigmoid_cross_entropy 損失平均值，對批次使用加權和。也就是說，如果輸入 logits 的形狀為 [batch_size, n_classes] ，則損失是 n_classes 的平均值和 batch_size 的加權和。

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

標簽可以是：

• 形狀為 [D0, D1, ... DN, n_classes] 的 multi-hot 張量
• 類索引的整數SparseTensor。 dense_shape 必須是 [D0, D1, ... DN, ?] 和 [0, n_classes) 中的值。
• 如果給定 label_vocabulary，則為字符串 SparseTensor 。 dense_shape 必須是 [D0, D1, ... DN, ?] 和 label_vocabulary 或形狀為 [D0, D1, ... DN, n_classes] 的 multi-hot 張量內的值。

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

還支持自定義 loss_fn 。 loss_fn 將 (labels, logits) 或 (labels, logits, features) 作為參數並返回形狀為 [D0, D1, ... DN, 1] 的未減少損失。 loss_fn 必須支持形狀為 [D0, D1, ... DN, n_classes] 的指標 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：

n_classes = 2
head = tf.estimator.MultiLabelHead(n_classes)
logits = np.array([[-1., 1.], [-1.5, 1.5]], dtype=np.float32)
labels = np.array([[1, 0], [1, 1]], dtype=np.int64)
features = {'x':np.array([[41], [42]], dtype=np.int32)}
# expected_loss = sum(_sigmoid_cross_entropy(labels, logits)) / batch_size
#               = sum(1.31326169, 0.9514133) / 2 = 1.13
loss = head.loss(labels, logits, features=features)
print('{:.2f}'.format(loss.numpy()))
1.13
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()))
auc:0.33
auc_precision_recall:0.77
average_loss:1.13
preds = head.predictions(logits)
print(preds['logits'])
tf.Tensor(
  [[-1.   1. ]
   [-1.5  1.5]], shape=(2, 2), dtype=float32)

與罐裝估算器一起使用：

my_head = tf.estimator.MultiLabelHead(n_classes=3)
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.MultiLabelHead(n_classes=3)
  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)