怎样做神经网络分类器检测,神经网络 分类器
tf.estimator API技术手册(10)—— dnnlinearcombinedclassifier(深度神经网络线性组合回归器) (一)简介(二)初始化(三)属性(属性)(四)方法(方法)评估(评估)(2)预测(预测)(3)火车(训练)
(一)简介
继承自估计器,定义在张量流/python/estimator/canned/dnn _ linear _ combined。巴拉圭中,用来建立深度神经网络线性组合分类器。示例如下:
数字特征=数字列(.)分类_列_a=分类_列_with_hash_bucket(.)分类_列_b=分类_列_with_hash_bucket(.)分类_特征_ a _ x _分类_特征_b=交叉_列(.)分类_特征_a_emb=嵌入_列(分类_列=分类_特征_a,)分类_特征_b_emb=嵌入_列(分类_列=分类_特征_b,)estimator=DNNLinearCombinedClassifier(#宽度设置linear _ feature _ columns=[类别_特征_ a _ x _类别_特征_ b],linear _ optimizer=TF。火车。ftrloptimizer(.), # 深度设置dnn_feature_columns=[分类_特征_a_emb,分类_特征_b_emb,数字_特征],#定义网络结构dnn_hidden_units=[1000,500,100],dnn _ optimizer=TF。火车。proximaladagradoptimizer(.), # 热启动设置warm _ start _ from=/path/to/check point/dir )#定义数据输入函数def input_fn_train: # returns x,y pass估计器。train(input _ fn=input _ fn _ train,steps=100)def input _ fn _ eval:# returns x,y pass metrics=estimator。eval(input _ fn=input _ fn _ eval,steps=10)def input _ fn _ fn _ predict:# returns x,None pass predictions=estimator。预测(input _ fn=input _ fn _ fn _ fn _ predict)(二)初始化__init__( model_dir=None,linear_feature_columns=None,linear_optimizer=Ftrl ,dnn_feature_columns=None,dnn_optimizer=Adagrad ,dnn_hidden_units=None,dnn_activation_fn=tf.nn.relu,dnn_dropout=None,n_classes=2,weight_column=None,label_vocabulary=None,input_layer_partitioner=None,config=None,warm_start_from=None,loss _ reduction=losses .还原。SUM,batch_norm=False,linear_sparse_combiner=sum )参数如下:
model_dir:
保存模型的目录
linear_feature_columns:
线性特征列
linear_optimizer:
线性优化器
dnn_feature_columns:
深度神经网络特征列
dnn_optimizer:
深度神经网络优化器
dnn_hidden_units:
深度神经网络的结构
dnn_activation_fn:
深度神经网络中的激活函数,默认使用线性单元函数
dnn_dropout:
拒绝传统社会的人操作
n_classes
标签种类,默认为2
weight_column:
由TF。特征_列。数字_列创建的一个字符串或者数字列用来呈现特征列。它将会被乘以例子的训练损失。
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,默认使用阿达格拉德优化器,激活函数为tf.nn.relu。
input_layer_partitioner:
输入层分割器,最小最大变量分区器和最小切片大小默认为64 20
config:
一个运行配置对象,用来配置运行时间。
warm_start_from:
热启动选项。
loss_reduction:
定义损失函数,默认为总额方法。
batch_norm:
是否要在每个隐层之后使用批量归一化。
linear_sparse_combiner:
线性稀疏组合器,当一个绝对特征列是多价的时候,指定如何去减少线性模型。
(三)属性(属性)配置模型_目录模型_fn
返回绑定到自我参数的型号_fn .返回:model_fn附有以下标记:def model_fn(features, labels, mode, config)
(四)方法(方法)评估(评估)求值(input_fn,steps=无,hooks=无,checkpoint _ path=无,name=无)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:
用于构建评估数据的函数。该函数应构造并返回以下值:一个tf.data.Dataset对象或一个包含(features,labels)的tuple,应满足model_fn函数对输入数据的要求。我们将在下面的例子中详细介绍。checkpoint_path:
用于保存训练好的模型name:
如果用户需要在不同的数据集上运行多个评估,比如训练集和测试集,则是要进行的评估的名称,不同的评估指标保存在单独的文件夹中,分别出现在tensorboard中。(2)predict predict (input _ fn,predict _ keys=none,hooks=none,checkpoint _ path=none,yield _ single _ examples=true)使用训练好的模型预测新实例。以下是参数列表:
input_fn:
用于构建评估数据的函数。该函数应构造并返回以下值:一个tf.data.Dataset对象或一个包含(features,labels)的tuple,应满足model_fn函数对输入数据的要求。我们将在下面的例子中详细介绍。
predict_keys:
预测函数最终会返回一系列结果,但是我们可以有选择地输出。可供选择的键列表是[logits,logistic,probabilities,class_ids,classes]。
hooks:
TF . train . session unhook的子类实例列表,用于在预测调用中返回。
checkpoint_path:
良好培训模型目录
yield_single_examples:
你可以选择假或真。如果选择False,model_fn将返回整个批次,而不是将批次分解为单个元素。当model_fn返回的某冷艳的预期第一维不等于批号时,这个函数非常有用。
(3)train (input _ fn,hooks=none,steps=none,max _ steps=none,saving _ listeners=none)用于训练模型。以下是参数列表:
input_fn:
用于构建评估数据的函数。该函数应构造并返回以下值:一个tf.data.Dataset对象或一个包含(features,labels)的tuple,应满足model_fn函数对输入数据的要求。我们将在下面的例子中详细介绍。
hooks:
TF . train . session unhook的子类实例列表,用于在预测调用中返回。
steps:
训练模型的次数,如果没有指定,将一直训练到消耗完input_fn返回的数据。如果您不想要递增的性能,请改为设置max_steps。请注意,设置了steps,max_steps必须为None,max_steps必须为None。
max_steps:
模型的总训练次数,注意设置了steps,max_steps必须为None,设置了max_steps,steps必须为None。
saving_listeners:
在保存检查点之前或之后立即运行的回调的CheckpointSaverListener对象列表。
郑重声明:本文由网友发布,不代表盛行IT的观点,版权归原作者所有,仅为传播更多信息之目的,如有侵权请联系,我们将第一时间修改或删除,多谢。