估计量的基础

警告!

TensorFlow Estimators在很长一段时间内没有收到TensorFlow团队的更新，因此不再推荐它。使用时可能会发现bugtfestimators使用TensorFlow的最新版本(>= 1.10)。

概述

TensorFlow Estimators API的基本组件包括:

• 罐装估计器(各种模型的预构建实现)。

• 自定义估计器(自定义模型实现)。

• 估计器方法(核心方法，如培训()，预测()，evaluate ()等等，它们对所有罐装和自定义评估器的工作是一样的)。

• 特征列(关于在建模过程中应该如何转换特征的定义)。

• 输入函数(用于训练、评估和预测的数据来源)。

此外，还有一些api涵盖了更高级的用法:

• 实验(围绕处理诸如分布式训练、超参数调优等问题的估计器的包装器)

• 运行钩子(用于记录上下文和与每个建模流程交互的回调)

• SavedModel导出实用程序(导出经过训练的模型，以便部署到CloudML等地方)

请阅读我们的白皮书如果您对上述部件的详细设计感兴趣。

下面我们将列举这些组件中的一些核心功能，以提供可用功能的高级概述。有关一起使用所有组件的详细信息，请参阅链接的文章。

估计罐头

的tfestimators包包含了用于常见机器学习任务的各种罐装估计器。目前，以下罐装估计器可用:

在使用估计器之前，您需要提供一个输入函数并定义一组特征列。下面两个部分将介绍如何做到这一点。

输入功能

输入函数用于在训练、评估和预测过程中为估计者提供数据。R接口为各种通用R数据源提供了几个高级输入函数实现，包括:

• 公式
• 矩阵
• 数据帧
• 向量的列表

例如，这是我们如何构造一个输入函数使用mtcars数据帧作为数据源，处理见鬼，英里/加仑,我变量作为特征列，和vs作为一个反应。

输入< -input_fn(mtcars特点=c（“诅咒”，“英里”，“我”)，响应=“与”，batch_size =128，时代=3.）

在这种情况下，公式界面更简洁一些，对于有过使用R拟合模型经验的R用户来说应该很熟悉统计数据包中。

输入< -input_fn(对～见鬼+英里/加仑+点,data =mtcars,batch_size =128，时代=3.）

还可以编写完全自定义的输入函数，从任意数据源提取数据。看到输入功能文章了解更多细节。

功能列

在TensorFlow中，特征列用于指定特定模型可能预期的输入的“形状”或“类型”。例如，在下面的代码中，我们定义了两个简单的特征列:一个数字列称为“诅咒”，一个指示符列称为“我”在一个炎热的表示。

关口< -feature_columns（column_numeric（“诅咒”)，column_indicator（“我”））

有各种各样的功能列可用:

请参阅有关功能列额外的细节。

创建一个估计量

下面是一个创建DNN线性组合屏蔽估计器的示例。在创建估计器时，我们传递特征列和指定模型层和体系结构的其他参数。注意，这个特定的估计器使用两组特征列—一组用于构造线性层，另一组用于完全连接的深层。

#构建特征栏linear_feature_columns < -feature_columns（column_numeric（“英里”）)dnn_feature_columns < -feature_columns（column_numeric（“诅咒”）)#生成分类器分类器< -dnn_linear_combined_classifier（linear_feature_columns =linear_feature_columns,dnn_feature_columns =dnn_feature_columns,dnn_hidden_units =c（3.，3.)，dnn_optimizer =“Adagrad”）

训练和预测

然后用户可以调用培训()对初始化的Estimator进行若干步骤的训练:

分类器% > %火车（input_fn =输入,步骤=2）

一旦训练好模型，用户就可以使用了预测()它对表示推理数据源的给定输入函数进行预测。

预测< -预测(分类器,input_fn =输入)

用户还可以将密钥传递给predict_keys论点预测()这就产生了不同类型的预测，比如使用概率“概率”：

预测< -预测（分类器,input_fn =输入,predict_keys =“概率”）

或物流:

预测< -预测（分类器,input_fn =输入,predict_keys =“物流”）

您可以通过打印找到所有可用的密钥prediction_keys ()．然而，并非所有键都可以由不同类型的估计器使用。例如，回归器不能使用“概率”作为关键之一，因为概率输出只对分类模型有意义。

模型的持久性

创建的模型tfestimators被持久化到磁盘上。为了获得模型工件存储的位置，我们可以调用model_dir ()：

saved_model_dir < -model_dir(分类)

然后通过将目录传递给model_dir参数，并使用它进行预测或继续训练:

图书馆(tfestimators)linear_feature_columns < -feature_columns（column_numeric（“英里”）)dnn_feature_columns < -feature_columns（column_numeric（“诅咒”）)loaded_model < -dnn_linear_combined_classifier（linear_feature_columns =linear_feature_columns,dnn_feature_columns =dnn_feature_columns,dnn_hidden_units =c（3.，3.)，dnn_optimizer =“Adagrad”，model_dir =saved_model_dir）loaded_model

泛型方法

有许多评估器方法可以通用地用于任何罐装或自定义评估器: