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：