回归

tflearn.layers.estimator.regression (incoming, placeholder='default', optimizer='adam', loss='categorical_crossentropy', metric='default', learning_rate=0.001, dtype=tf.float32, batch_size=64, shuffle_batches=True, to_one_hot=False, n_classes=None, trainable_vars=None, restore=True, op_name=None, validation_monitors=None, validation_batch_size=None, name=None)

回归层在 TFLearn 中用于对提供的输入应用回归（线性或逻辑）。它需要指定一个 TensorFlow 梯度下降优化器“optimizer”，该优化器将最小化提供的损失函数“loss”（用于计算误差）。还可以提供一个指标来评估模型性能。

生成一个“TrainOp”，其中包含有关优化过程的所有信息。它被添加到 TensorFlow 集合“tf.GraphKeys.TRAIN_OPS”中，稍后由 TFLearn“模型”类用于执行训练。

可以指定一个可选的占位符“placeholder”，以便使用自定义 TensorFlow 目标占位符，而不是创建一个新的占位符。目标占位符被添加到“tf.GraphKeys.TARGETS”TensorFlow 集合中，以便以后可以检索它。如果未使用任何目标，请将占位符设置为 None。

此外，还可以指定一个变量列表“trainable_vars”，以便在应用反向传播算法时仅更新这些变量。

输入

二维张量层。

输出

二维张量层（与输入相同）。

参数

  • incoming：Tensor。传入的二维张量。
  • placeholder：Tensor。此回归目标（标签）占位符。如果为“default”，则会自动添加一个占位符。您可以通过图形键“TARGETS”或此函数返回的张量的“placeholder”属性来检索该占位符。如果您不想使用任何目标，请将占位符设置为“None”。
  • optimizer：str（名称）、Optimizer 或 function。要使用的优化器。默认值：“adam”（自适应矩估计）。
  • loss：str（名称）或 function。此层优化器使用的损失函数。默认值：“categorical_crossentropy”。
  • metric：str、Metric 或 function。要使用的指标。默认值：“default”指标为“accuracy”。要禁用指标计算，请将其设置为“None”。
  • learning_rate：float。此层优化器的学习率。
  • dtype：tf.types。此层占位符类型。默认值：tf.float32。
  • batch_size：int。用于训练的数据批量大小。tflearn 支持每个优化器使用不同的批量大小。默认值：64。
  • shuffle_batches：bool。是否在每个时期打乱此优化器批次。默认值：True。
  • to_one_hot：bool。如果为 True，则标签将被编码为独热向量。然后必须指定“n_classes”。
  • n_classes：int。类的总数。仅在使用“to_one_hot”选项时才需要。
  • trainable_vars：Variable 列表。如果指定，则此回归将仅更新给定的变量权重。否则，将更新所有可训练变量。
  • restore：bool。如果为 False，则在加载预训练模型时，不会恢复与优化器相关的变量，例如移动平均值。
  • op_name：此层优化器的名称（可选）。默认值：优化器操作名称。
  • validation_monitors：Tensor 对象的 list。要在验证期间计算的变量列表，这些变量也用于生成输出到 TensorBoard 的摘要。例如，这可用于在训练期间定期记录混淆矩阵或 AUC 指标。每个变量的秩应为 1，即形状为 [None]。
  • validation_batch_size：int 或 None。指定用于验证数据馈送的批量大小。
  • name：此层占位符范围的名称。

属性

  • placeholder：Tensor。用于馈送标签的占位符。