提供されたアワビの例を取り上げ、理解したことを確認しました。しかし、私が取り組んでいる別の推定プロジェクトとして、完全なゴミを生成しています-私はテンソルボードを追加しようとしたので、何が起こっているのか理解できます。
基本コードは https://www.tensorflow.org/extend/estimators です
セッションとライターを追加しました
# Set model params
model_params = {"learning_rate": 0.01}
with tf.Session () as sess:
# Instantiate Estimator
nn = tf.contrib.learn.Estimator(model_fn=model_fn, params=model_params)
writer = tf.summary.FileWriter ( '/tmp/ab_tf' , sess.graph)
nn.fit(x=training_set.data, y=training_set.target, steps=5000)
# Score accuracy
ev = nn.evaluate(x=test_set.data, y=test_set.target, steps=1)
And added 1 line in the model_fn function so it looks like this...
def model_fn(features, targets, mode, params):
"""Model function for Estimator."""
# Connect the first hidden layer to input layer
# (features) with relu activation
first_hidden_layer = tf.contrib.layers.relu(features, 49)
# Connect the second hidden layer to first hidden layer with relu
second_hidden_layer = tf.contrib.layers.relu(first_hidden_layer, 49)
# Connect the output layer to second hidden layer (no activation fn)
output_layer = tf.contrib.layers.linear(second_hidden_layer, 1)
# Reshape output layer to 1-dim Tensor to return predictions
predictions = tf.reshape(output_layer, [-1])
predictions_dict = {"ages": predictions}
# Calculate loss using mean squared error
loss = tf.losses.mean_squared_error(targets, predictions)
# Calculate root mean squared error as additional eval metric
eval_metric_ops = {
"rmse": tf.metrics.root_mean_squared_error(
tf.cast(targets, tf.float64), predictions)
}
train_op = tf.contrib.layers.optimize_loss(
loss=loss,
global_step=tf.contrib.framework.get_global_step(),
learning_rate=params["learning_rate"],
optimizer="SGD")
tf.summary.scalar('Loss',loss)
return model_fn_lib.ModelFnOps(
mode=mode,
predictions=predictions_dict,
loss=loss,
train_op=train_op,
eval_metric_ops=eval_metric_ops)
最後に追加した
writer.close()
コードを実行すると.../tmp/ab_tfにデータファイルがありますが、このファイルはnullではありません。しかし、サイズはわずか139バイトです...これは、何も書き込まれていないことを意味します。
テンソルボードでこれを開くと、データはありません。
私は何を間違えていますか?
入力に感謝します...
実際、推定器の要約ライターをセットアップする必要はありません。要約ログは、推定器のmodel_dirに書き込まれます。
estimatorのmodel_dirが「./tmp/model」であるとしましょう。tensorboard--logdir =。/ tmp/modelを使用して概要を表示できます
私はあなたとまったく同じことをしようとしていました。最後に、model_dirをパラメーターとして次のようにクラスコンストラクターに渡す必要があることがわかりました。
# Instantiate Estimator
nn = tf.contrib.learn.Estimator(model_fn=model_fn,
params=model_params,
model_dir=FLAGS.log_dir)
TensorFlow APIで文書化されたこれをここで見ることができます: https://www.tensorflow.org/api_docs/python/tf/contrib/learn/Estimator