Python tf.keras.estimator.model_to_estimator用法及代碼示例

從給定的 keras 模型構造一個 Estimator 實例。

用法

tf.keras.estimator.model_to_estimator(
    keras_model=None, keras_model_path=None, custom_objects=None, model_dir=None,
    config=None, checkpoint_format='checkpoint', metric_names_map=None,
    export_outputs=None
)

如果您使用依賴於 Estimator 的基礎架構或其他工具，您仍然可以構建 Keras 模型並使用 model_to_estimator 將 Keras 模型轉換為 Estimator 以用於下遊係統。

有關使用示例，請參閱：從 Keras 模型創建估算器。

樣品重量：

model_to_estimator 返回的估計器被配置為可以處理樣本權重(類似於 keras_model.fit(x, y, sample_weights) )。

要在訓練或評估 Estimator 時傳遞樣本權重，輸入函數返回的第一項應該是帶有鍵 features 和 sample_weights 的字典。下麵的例子：

keras_model = tf.keras.Model(...)
keras_model.compile(...)

estimator = tf.keras.estimator.model_to_estimator(keras_model)

def input_fn():
  return dataset_ops.Dataset.from_tensors(
      ({'features':features, 'sample_weights':sample_weights},
       targets))

estimator.train(input_fn, steps=1)

帶有自定義導出簽名的示例：

inputs = {'a':tf.keras.Input(..., name='a'),
          'b':tf.keras.Input(..., name='b')}
outputs = {'c':tf.keras.layers.Dense(..., name='c')(inputs['a']),
           'd':tf.keras.layers.Dense(..., name='d')(inputs['b'])}
keras_model = tf.keras.Model(inputs, outputs)
keras_model.compile(...)
export_outputs = {'c':tf.estimator.export.RegressionOutput,
                  'd':tf.estimator.export.ClassificationOutput}

estimator = tf.keras.estimator.model_to_estimator(
    keras_model, export_outputs=export_outputs)

def input_fn():
  return dataset_ops.Dataset.from_tensors(
      ({'features':features, 'sample_weights':sample_weights},
       targets))

estimator.train(input_fn, steps=1)

注意：我們不支持在 Keras 中創建加權指標並使用 model_to_estimator 在 Estimator API 中將它們轉換為加權指標。您必須使用 add_metrics 函數直接在估算器規範上創建這些指標。

要自定義估計器eval_metric_ops 名稱，您可以傳入 metric_names_map 字典，將 keras 模型輸出指標名稱映射到自定義名稱，如下所示：

input_a = tf.keras.layers.Input(shape=(16,), name='input_a')
  input_b = tf.keras.layers.Input(shape=(16,), name='input_b')
  dense = tf.keras.layers.Dense(8, name='dense_1')
  interm_a = dense(input_a)
  interm_b = dense(input_b)
  merged = tf.keras.layers.concatenate([interm_a, interm_b], name='merge')
  output_a = tf.keras.layers.Dense(3, activation='softmax', name='dense_2')(
          merged)
  output_b = tf.keras.layers.Dense(2, activation='softmax', name='dense_3')(
          merged)
  keras_model = tf.keras.models.Model(
      inputs=[input_a, input_b], outputs=[output_a, output_b])
  keras_model.compile(
      loss='categorical_crossentropy',
      optimizer='rmsprop',
      metrics={
          'dense_2':'categorical_accuracy',
          'dense_3':'categorical_accuracy'
      })

  metric_names_map = {
      'dense_2_categorical_accuracy':'acc_1',
      'dense_3_categorical_accuracy':'acc_2',
  }
  keras_est = tf.keras.estimator.model_to_estimator(
      keras_model=keras_model,
      config=config,
      metric_names_map=metric_names_map)