Python tf.estimator.experimental.RNNEstimator用法及代碼示例

具有用戶指定頭部的 TensorFlow RNN 模型的 Estimator。

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

用法

tf.estimator.experimental.RNNEstimator(
    head, sequence_feature_columns, context_feature_columns=None, units=None,
    cell_type=USE_DEFAULT, rnn_cell_fn=None, return_sequences=False, model_dir=None,
    optimizer='Adagrad', config=None
)

例子：

token_sequence = sequence_categorical_column_with_hash_bucket(...)
token_emb = embedding_column(categorical_column=token_sequence, ...)

estimator = RNNEstimator(
    head=tf.estimator.RegressionHead(),
    sequence_feature_columns=[token_emb],
    units=[32, 16], cell_type='lstm')

# Or with custom RNN cell:
def rnn_cell_fn(_):
  cells = [ tf.keras.layers.LSTMCell(size) for size in [32, 16] ]
  return tf.keras.layers.StackedRNNCells(cells)

estimator = RNNEstimator(
    head=tf.estimator.RegressionHead(),
    sequence_feature_columns=[token_emb],
    rnn_cell_fn=rnn_cell_fn)

# Input builders
def input_fn_train:# returns x, y
  pass
estimator.train(input_fn=input_fn_train, steps=100)

def input_fn_eval:# returns x, y
  pass
metrics = estimator.evaluate(input_fn=input_fn_eval, steps=10)
def input_fn_predict:# returns x, None
  pass
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 ：

• 如果頭部的 weight_column 不是 None ，則具有 key=weight_column 的特征，其值為 Tensor 。
• 對於每個column在sequence_feature_columns：
  • 具有 key=column.name 的函數，其 value 是 SparseTensor 。
• 對於每個column在context_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 。

損失和預測輸出由指定的頭部確定。