回歸

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)

迴歸圖層用於利用 TFLearn 針對提供的輸入套用迴歸（線性或邏輯）。它需要指定一個 TensorFlow 梯度下降最佳化器「最佳化器」，它會將提供的損失函數「損失」（計算錯誤）最小化。也可以提供指標，以評估模型效能。

會產生一項「TrainOp」，其中包含所有有關最佳化程序的資訊。它會加入 TensorFlow 彙集「tf.GraphKeys.TRAIN_OPS」，之後由 TFLearn「模型」類別用來執行訓練。

可以指定一個選用替換目標（標籤）的 TensorFlow 自訂 TensorFlow 替換目標（標籤），而不是建立一個新的目標。目標替換會加入 TensorFlow 彙集「tf.GraphKeys.TARGETS」，以便稍後可以擷取。若不使用任何目標，請將替換設為「無」。

此外，可以指定變數清單「trainable_vars」，以便只在套用反向傳播演算法時更新這些清單。

輸入

2-D 坦梭圖層。

輸出

2-D 坦梭圖層（與輸入相同）。

引數

  • incoming：坦梭。傳入 2-D 坦梭。
  • placeholder：坦梭。此迴歸目標（標籤）替換。若為「default」，會自動加入一個替換。你可以透過圖形金鑰擷取該替換：「TARGETS」，或此函式傳回坦梭的「替換」屬性。若不想要使用任何目標，請將替換設為「無」。
  • optimizer：字串（名稱）、最佳化器或函式。要使用的最佳化器。預設：「adam」（適應動差估計）。
  • loss：str（名稱）或function。此層優化器使用的損失函數。預設值：'categorical_crossentropy'。
  • metric：str、Metric或function。要使用的度量指標。預設值：'default' 度量指標為 'accuracy'。如需停用度量指標計算，請將其設定為 'None'。
  • learning_rate：float。此層優化器的學習率。
  • dtype：tf.types。此層暫存器的型別。預設值：tf.float32。
  • batch_size：int。訓練時要使用的資料批次大小。tflearn 支援每一個優化器不同的批次大小。預設值：64。
  • shuffle_batches：bool。是否在每個世代對此優化器批次進行洗牌。預設值：True。
  • to_one_hot：bool。如果為 True，標籤將會編碼為 one hot 向量。然後必須指定'n_classes'。
  • n_classes：int。類別的總數。僅在使用'to_one_hot'選項時需要。
  • trainable_vars：Variable清單。如果指定，此迴歸將僅更新給定的變數權重。否則，所有可訓練變數都將會更新。
  • restore：bool。如果為 False，載入預訓練模型時將不會還原優化器相關的變數，例如移動平均。
  • op_name：此層優化器的名稱（選用）。預設值：optimizer op 名稱。
  • validation_monitors：Tensor物件的list。驗證期間要計算的變數清單，這些變數也可用於產生摘要以輸出至 TensorBoard。例如，這可用於在訓練期間定期記錄混淆矩陣或 AUC 度量指標。每個變數的秩均應為 1，即形狀為 [None]。
  • validation_batch_size：int或 None。指定要對驗證資料饋送使用的批次大小。
  • name：此層暫存器範圍的名稱。

屬性

  • placeholder：Tensor。用於提供標籤的暫存器。