tf.estimatorAPI技术手册（13）——LinearRegressor（线性回归器）

继承自Estimator&＃xff0c;定义在tensorflow/python/estimator/canned/linear.py中&＃xff0c;用来建立线性回归器。示例如下&＃xff1a;

categorical_column_a &＃61; categorical_column_with_hash_bucket(...)
categorical_column_b &＃61; categorical_column_with_hash_bucket(...)categorical_feature_a_x_categorical_feature_b &＃61; crossed_column(...)# 创建一个线性分类器
estimator &＃61; LinearRegressor(feature_columns&＃61;[categorical_column_a,categorical_feature_a_x_categorical_feature_b])# 构建数据输入函数
def input_fn_train: # returns x, y (where y represents label&＃39;s class index)....
def input_fn_eval: # returns x, y (where y represents label&＃39;s class index)....
estimator.train(input_fn&＃61;input_fn_train)
estimator.evaluate(input_fn&＃61;input_fn_eval)
estimator.predict(input_fn&＃61;input_fn_predict)

&＃xff08;二&＃xff09;初始化

__init__(feature_columns,model_dir&＃61;None,label_dimension&＃61;1,weight_column&＃61;None,optimizer&＃61;&＃39;Ftrl&＃39;,config&＃61;None,partitioner&＃61;None,warm_start_from&＃61;None,loss_reduction&＃61;losses.Reduction.SUM,sparse_combiner&＃61;&＃39;sum&＃39;
)


参数如下&＃xff1a;

• feature_columns:
  特征列

• model_dir:
  保存模型的目录

• label_dimension:
  每一个样例中回归目标的个数&＃xff0c;这是标签的最后维度和logit张量对象的大小&＃xff0c;典型的结构为[批处理大小&＃xff0c;标签维度]。

• 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&＃xff0c;如果给出&＃xff0c;则必须为字符型&＃xff0c;如果没有给出&＃xff0c;则会默认编码为整型&＃xff0c;为{0, 1,…, n_classes-1} 。

• optimizer:
  选择优化器&＃xff0c;默认使用Adagrad optimizer&＃xff0c;激活函数为tf.nn.relu。

• config:
  一个运行配置对象&＃xff0c;用来配置运行时间。

• warm_start_from:
  热启动选项。

• loss_reduction:
  定义损失函数&＃xff0c;默认为SUM方法。

• partitioner:
  可选的。输入层分割器

• sparse_combiner:
  稀疏组合器&＃xff0c;当一个绝对特征列是多价的时候&＃xff0c;指定如何去减少损失。

• config
• model_dir
• model_fn
  Returns the model_fn which is bound to self.params.

返回&＃xff1a;
model_fn 附有以下标记: def model_fn(features, labels, mode, config)

&＃xff08;1&＃xff09;evaluate&＃xff08;评估&＃xff09;

evaluate(input_fn,steps&＃61;None,hooks&＃61;None,checkpoint_path&＃61;None,name&＃61;None
)


评估函数&＃xff0c;使用input_fn给出的评估数据评估训练好的模型&＃xff0c;参数列表如下&＃xff1a;

• input_fn:
  一个用来构造用于评估的数据的函数&＃xff0c;这个函数应该构造和返回如下的值&＃xff1a;一个tf.data.Dataset对象或者一个包含 (features, labels)的元组&＃xff0c;它们应当满足model_fn函数对输入数据的要求&＃xff0c;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&＃xff0c;如训练集和测试集&＃xff0c;则为要进行评估的名称&＃xff0c;不同的评估度量被保存在单独的文件夹中&＃xff0c;并分别出现在tensorboard中。

&＃xff08;2&＃xff09;predict&＃xff08;预测&＃xff09;

predict(input_fn,predict_keys&＃61;None,hooks&＃61;None,checkpoint_path&＃61;None,yield_single_examples&＃61;True
)


使用训练好的模型对新实例进行预测&＃xff0c;以下为参数列表&＃xff1a;

• input_fn:
  一个用来构造用于评估的数据的函数&＃xff0c;这个函数应该构造和返回如下的值&＃xff1a;一个tf.data.Dataset对象或者一个包含 (features, labels)的元组&＃xff0c;它们应当满足model_fn函数对输入数据的要求&＃xff0c;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&＃xff0c;但我们可以有选择地让其输出&＃xff0c;可供选择的keys列表为[‘logits’, ‘logistic’, ‘probabilities’, ‘class_ids’, ‘classes’]&＃xff0c;如果不指定的话&＃xff0c;默认返回所有值。

• hooks:
  tf.train.SessionRunHook的子类实例列表&＃xff0c;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&＃xff0c;如果选择False&＃xff0c;由model_fn返回整个批次&＃xff0c;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&＃xff0c;这个功能是很用的。

&＃xff08;3&＃xff09;train&＃xff08;训练&＃xff09;

train(input_fn,hooks&＃61;None,steps&＃61;None,max_steps&＃61;None,saving_listeners&＃61;None
)


用于训练模型&＃xff0c;以下为参数列表&＃xff1a;

• input_fn:
  一个用来构造用于评估的数据的函数&＃xff0c;这个函数应该构造和返回如下的值&＃xff1a;一个tf.data.Dataset对象或者一个包含 (features, labels)的元组&＃xff0c;它们应当满足model_fn函数对输入数据的要求&＃xff0c;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&＃xff0c;在预测调用中用于传回。

• steps:
  模型训练的次数&＃xff0c;如果不指定&＃xff0c;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&＃xff0c;就设置max_steps来替代&＃xff0c;注意设置了steps&＃xff0c;max_steps必须为None&＃xff0c;设置了max_steps&＃xff0c;steps必须为None。

• max_steps:
  模型训练的总次数&＃xff0c;注意设置了steps&＃xff0c;max_steps必须为None&＃xff0c;设置了max_steps&＃xff0c;steps必须为None。

• saving_listeners:
  CheckpointSaverListener对象的列表&＃xff0c;用于在检查点保存之前或之后立即运行的回调。