Python tf.keras.experimental.WideDeepModel用法及代碼示例

用於回歸和分類問題的 Wide & Deep 模型。

繼承自：Model、Layer、Module

用法

tf.keras.experimental.WideDeepModel(
    linear_model, dnn_model, activation=None, **kwargs
)

參數

linear_model 預製的 LinearModel，其輸出必須與 dnn 模型的輸出相匹配。
dnn_model a tf.keras.Model ，其輸出必須與線性模型的輸出相匹配。
activation 激活函數。將其設置為 None 以保持線性激活。
**kwargs 傳遞給 BaseLayer 的關鍵字參數。在裏麵.允許的關鍵字參數包括name.

屬性

distribute_strategy 該模型是在 tf.distribute.Strategy 下創建的。
layers

metrics_names 返回所有輸出的模型顯示標簽。

注意：metrics_names 僅在 keras.Model 已根據實際數據進行訓練/評估後可用。

inputs = tf.keras.layers.Input(shape=(3,))
outputs = tf.keras.layers.Dense(2)(inputs)
model = tf.keras.models.Model(inputs=inputs, outputs=outputs)
model.compile(optimizer="Adam", loss="mse", metrics=["mae"])
model.metrics_names
[]

x = np.random.random((2, 3))
y = np.random.randint(0, 2, (2, 2))
model.fit(x, y)
model.metrics_names
['loss', 'mae']

inputs = tf.keras.layers.Input(shape=(3,))
d = tf.keras.layers.Dense(2, name='out')
output_1 = d(inputs)
output_2 = d(inputs)
model = tf.keras.models.Model(
   inputs=inputs, outputs=[output_1, output_2])
model.compile(optimizer="Adam", loss="mse", metrics=["mae", "acc"])
model.fit(x, (y, y))
model.metrics_names
['loss', 'out_loss', 'out_1_loss', 'out_mae', 'out_acc', 'out_1_mae',
'out_1_acc']

run_eagerly 指示模型是否應立即運行的可設置屬性。
即刻地運行意味著您的模型將像 Python 代碼一樣逐步運行。您的模型可能會運行得更慢，但通過單步調用各個層調用，您應該可以更輕鬆地對其進行調試。

默認情況下，我們將嘗試將您的模型編譯為靜態圖以提供最佳執行性能。

該模型聯合訓練了一個線性模型和一個 dnn 模型。

例子：

linear_model = LinearModel()
dnn_model = keras.Sequential([keras.layers.Dense(units=64),
                             keras.layers.Dense(units=1)])
combined_model = WideDeepModel(linear_model, dnn_model)
combined_model.compile(optimizer=['sgd', 'adam'], 'mse', ['mse'])
# define dnn_inputs and linear_inputs as separate numpy arrays or
# a single numpy array if dnn_inputs is same as linear_inputs.
combined_model.fit([linear_inputs, dnn_inputs], y, epochs)
# or define a single `tf.data.Dataset` that contains a single tensor or
# separate tensors for dnn_inputs and linear_inputs.
dataset = tf.data.Dataset.from_tensors(([linear_inputs, dnn_inputs], y))
combined_model.fit(dataset, epochs)

在聯合訓練之前，線性和 dnn 模型都可以單獨進行預編譯和訓練：

例子：

linear_model = LinearModel()
linear_model.compile('adagrad', 'mse')
linear_model.fit(linear_inputs, y, epochs)
dnn_model = keras.Sequential([keras.layers.Dense(units=1)])
dnn_model.compile('rmsprop', 'mse')
dnn_model.fit(dnn_inputs, y, epochs)
combined_model = WideDeepModel(linear_model, dnn_model)
combined_model.compile(optimizer=['sgd', 'adam'], 'mse', ['mse'])
combined_model.fit([linear_inputs, dnn_inputs], y, epochs)

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.keras.experimental.WideDeepModel。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。