上节，详细分析了模型函数的签名(signature of model_fn), 本节通过分析鸢尾花的自定义模型函数（my_model() in custom_estimator.py），来总结模型函数的编写方法。
深度神经网络模型必须定义下列三个部分:
第一步，定义输入层，模型函数的第一行调用 tf.feature_column.input_layer，将字典类型的特征值和 feature_columns 转换为模型的输入，
tf.feature_column.input_layer(features, feature_columns, weight_collections=None, trainable=True, cols_to_vars=None)函数
第一个参数：features: 是一个字典类型，键（key）是每个特征列的名字，数值（value）是特征的数值，其类型取决于_FeatureColumn。把features变量print出来，如下图所示：
features
第二个参数：feature_columns：是输入到模型的，可迭代（iterable）的，包含了FeatureColumns的变量。所有的items都必须是从_DenseColumn类派生出来的类，例如numeric_column, embedding_column,bucketized_column, indicator_column等类，的实例
返回值：一个代表模型输入层的Tensor
输入层数据映射关系
第二步，定义隐藏层，深度神经网络必须包含一个或多个隐藏层，Layers API提供一组丰富的函数来定义所有类型的隐藏层，包括卷积层、池化层和丢弃层。对于鸢尾花，我们只需调用 tf.layers.dense 来创建隐藏层，并用 params['hidden_layers'] 定义维度。在 dense 层中，每个节点都连接到前一层中的各个节点。
tf.layers.dense(inputs,units,activation=None,use_bias=True,kernel_initializer=None,bias_initializer=tf.zeros_initializer(),kernel_regularizer=None,bias_regularizer=None,activity_regularizer=None,kernel_constraint=None,bias_constraint=None,trainable=True,name=None,reuse=None)函数，该函数实现操作: outputs = activation(inputs.kernel + bias) ，这里activation 是activation参数传入的activation function (if not None), kernel 是weights matrix, bias是bias vector (only if use_bias is True).
第一个参数：inputs 是本层输入的Tensor，也是上一层的输出。输入层 tf.feature_column.input_layer（）的输出是 net, 所以net作为inputs参数输入。在第一次迭代中，net 表示输入层。在每次循环迭代时，tf.layers.dense 使用变量 net 创建一个新层，该层将前一层的输出作为其输入。
第二个参数：units是本层神经元的个数，对于dense层来说，也是输出的个数。
第三个参数：activation是本层使用的激活函数，activation=tf.nn.relu，是指使用relu作为激活函数。若activation=None，则意味着不使用激活函数，相当于是线性激活（linear activation）。
第三步，定义输出层，继续调用 tf.layers.dense 来定义输出层，输出层不需要使用激活函数
logits = tf.layers.dense(net, params['n_classes'], activation=None)
经过这三步，创建出来的神经网络，如下图所示：
创建好神经网络模型后，还剩最后一步：编写实现预测、评估和训练的分支代码，该内容在下解详述。
网友评论