tf.estimator API技术手册（8）——DNNClassifier（深度神经网络分类器）
tf.estimator API技术手册（8）——DNNClassifier（深度神经网络分类器）
- （一）简 介
- （二）初始化
- （三）属 性（Properties）
- （四）方 法（Methods）
- （1）evaluate（评估）
- （2）predict（预测）
- （3）train（训练）
（一）简 介
继承自Estimator，定义在tensorflow/python/estimator/canned/dnn.py中，用来建立深度神经网络模型。示例如下：
categorical_feature_a = categorical_column_with_hash_bucket(...)
categorical_feature_b = categorical_column_with_hash_bucket(...)
categorical_feature_a_emb = embedding_column(
categorical_column=categorical_feature_a, ...)
categorical_feature_b_emb = embedding_column(
categorical_column=categorical_feature_b, ...)
# 有三个隐层，结点数分别为1024,512,256个
estimator = DNNClassifier(
feature_columns=[categorical_feature_a_emb, categorical_feature_b_emb],
hidden_units=[1024, 512, 256])
# 创建训练数据输入函数
def input_fn_train: # returns x, y
pass
estimator.train(input_fn=input_fn_train, steps=100)
# 创建评估数据输入函数
def input_fn_eval:
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)
（二）初始化
__init__(
hidden_units,
feature_columns,
model_dir=None,
n_classes=2,
weight_column=None,
label_vocabulary=None,
optimizer='Adagrad',
activation_fn=tf.nn.relu,
dropout=None,
input_layer_partitioner=None,
config=None,
warm_start_from=None,
loss_reduction=losses.Reduction.SUM,
batch_norm=False
)
参数如下：
-
hidden_units:
设置隐层层数和每一层的结点数，如[64， 32]代表第一隐层有64个节点，第二隐层有32个节点，所有的隐层都是全连接的。 -
feature_columns:
特征列 -
model_dir:
保存模型的路径 -
n_classes:
标签的种类，默认为2 -
weight_column:
由 tf.feature_column.numeric_column创建的一个字符串或者数字列用来呈现特征列。它将会被乘以example的训练损失。 -
label_vocabulary:
一个字符串列表用来呈现可能的标签取值，如果给出，则必须为字符型，如果没有给出，则会默认编码为整型，为{0, 1,…, n_classes-1} 。 -
optimizer:
选择优化器，默认使用Adagrad optimizer，激活函数为tf.nn.relu。 -
input_layer_partitioner:
输入层分割器，min_max_variable_partitioner和min_slice_size默认为64 << 20 -
config:
一个运行配置对象，用来配置运行时间。 -
warm_start_from:
A string filepath to a checkpoint to warm-start from, or a WarmStartSettings object to fully configure warm-starting. If the string filepath is provided instead of a WarmStartSettings, then all weights are warm-started, and it is assumed that vocabularies and Tensor names are unchanged. -
loss_reduction:
定义损失函数，默认为SUM方法 -
batch_norm:
是否要在每个隐层之后使用批量归一化。
（三）属 性（Properties）
- config
- model_dir
- model_fn
Returns the model_fn which is bound to self.params.
返回：
model_fn 附有以下标记: def model_fn(features, labels, mode, config)
（四）方 法（Methods）
（1）evaluate（评估）
evaluate(
input_fn,
steps=None,
hooks=None,
checkpoint_path=None,
name=None
)
评估函数，使用input_fn给出的评估数据评估训练好的模型，参数列表如下：
- input_fn:
一个用来构造用于评估的数据的函数，这个函数应该构造和返回如下的值：一个tf.data.Dataset对象或者一个包含 (features, labels)的元组，它们应当满足model_fn函数对输入数据的要求，在后面的实例中我们会详细介绍。 - checkpoint_path:
用来保存训练好的模型 - name:
如果用户需要在不同的数据集上运行多个评价，如训练集和测试集，则为要进行评估的名称，不同的评估度量被保存在单独的文件夹中，并分别出现在tensorboard中。
（2）predict（预测）
predict(
input_fn,
predict_keys=None,
hooks=None,
checkpoint_path=None,
yield_single_examples=True
)
使用训练好的模型对新实例进行预测，以下为参数列表：
-
input_fn:
一个用来构造用于评估的数据的函数，这个函数应该构造和返回如下的值：一个tf.data.Dataset对象或者一个包含 (features, labels)的元组，它们应当满足model_fn函数对输入数据的要求，在后面的实例中我们会详细介绍。 -
predict_keys:
预测函数最终会返回一系列的结果，但我们可以有选择地让其输出，可供选择的keys列表为[‘logits’, ‘logistic’, ‘probabilities’, ‘class_ids’, ‘classes’]，如果不指定的话，默认返回所有值。 -
hooks:
tf.train.SessionRunHook的子类实例列表，在预测调用中用于传回。 -
checkpoint_path:
训练好的模型的目录 -
yield_single_examples:
可以选择False或是True，如果选择False，由model_fn返回整个批次，而不是将批次分解为单个元素。当model_fn返回的一些的张量的第一维度和批处理数量不相等时，这个功能是很用的。
（3）train（训练）
train(
input_fn,
hooks=None,
steps=None,
max_steps=None,
saving_listeners=None
)
用于训练模型，以下为参数列表：
-
input_fn:
一个用来构造用于评估的数据的函数，这个函数应该构造和返回如下的值：一个tf.data.Dataset对象或者一个包含 (features, labels)的元组，它们应当满足model_fn函数对输入数据的要求，在后面的实例中我们会详细介绍。 -
hooks:
tf.train.SessionRunHook的子类实例列表，在预测调用中用于传回。 -
steps:
模型训练的次数，如果不指定，则会一直训练知道input_fn传回的数据消耗完为止。如果你不想要增量表现，就设置max_steps来替代，注意设置了steps，max_steps必须为None，设置了max_steps，steps必须为None。 -
max_steps:
模型训练的总次数，注意设置了steps，max_steps必须为None，设置了max_steps，steps必须为None。 -
saving_listeners:
CheckpointSaverListener对象的列表，用于在检查点保存之前或之后立即运行的回调。