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

使用 tf.nn.log_poisson_loss 為泊鬆回歸創建 Head。

繼承自：RegressionHead，Head

用法

tf.estimator.PoissonRegressionHead(
    label_dimension=1, weight_column=None,
    loss_reduction=tf.losses.Reduction.SUM_OVER_BATCH_SIZE, compute_full_loss=True,
    name=None
)

參數

weight_column 由 tf.feature_column.numeric_column 創建的字符串或 NumericColumn 定義表示權重的特征列。它用於在訓練期間減輕重量或增加示例。它將乘以示例的損失。
label_dimension 每個示例的回歸標簽數。這是標簽 Tensor 的最後一個維度的大小(通常，它的形狀為 [batch_size, label_dimension] )。
loss_reduction tf.losses.Reduction 之一，除了 NONE 。決定如何減少批次和標簽維度的訓練損失。默認為 SUM_OVER_BATCH_SIZE ，即損失的加權總和除以 batch size * label_dimension 。
compute_full_loss 是否在計算泊鬆損失時包括常數log(z!) 項。有關完整文檔，請參閱tf.nn.log_poisson_loss。
name 頭的名字。如果提供，摘要和指標鍵將以 "/" + name 為後綴。創建操作時也用作name_scope。

屬性

logits_dimension 有關詳細信息，請參閱base_head.Head。
loss_reduction 有關詳細信息，請參閱base_head.Head。
name 有關詳細信息，請參閱base_head.Head。

損失是所有輸入維度的加權和。也就是說，如果輸入標簽的形狀為 [batch_size, label_dimension] ，則損失是 batch_size 和 label_dimension 的加權和。

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

labels 形狀必須匹配 logits ，即 [D0, D1, ... DN, label_dimension] 。如果 label_dimension=1 ，形狀 [D0, D1, ... DN] 也受支持。

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

這是作為廣義線性模型實現的，請參閱 https://en.wikipedia.org/wiki/Generalized_linear_model

頭部可以與罐裝估計器一起使用。例子：

my_head = tf.estimator.PoissonRegressionHead()
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.PoissonRegressionHead()
  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)

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.estimator.PoissonRegressionHead。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。