Węzły wyjściowe wielu regresji w tensorflow uczą się

Question

Jestem stosunkowo nowy dla tensorflow i chcę użyć DNNRegressora z tf.contrib.learn do zadania regresji. Ale zamiast jednego węzła wyjściowego chciałbym mieć kilka (powiedzmy na przykład dziesięć).

Jak skonfigurować regresor, aby dostosować wiele węzłów wyjściowych do moich potrzeb?

Moje pytanie związane jest z następującymi te już zadane na SO, ale wydaje się, że nie odpowiedział pracy (używam TensorFlow wersji 0.11)

skflow regression predict multiple values

Multiple target columns with SkFlow TensorFlowDNNRegressor

Answer 1

Wydaje korzystania tflearn będzie drugim wyborem.

Aktualizacja: Rozumiem, że powinniśmy używać Keras jako dobrze opracowanego API dla tensorflow + theano.

Answer 2

Korzystanie tflearn to działa:

net = tfl.input_data(shape=[None, n_features1, n_features2], name='input') 

net = tfl.fully_connected(net, 128, activation='relu') 
net = tfl.fully_connected(net, n_features, activation='linear') 

net = tfl.regression(net, batch_size=batch_size, loss='mean_square', name='target') 

Wymień jeden w pełni podłączone warstwę 128 węzłów tu ze cokolwiek architektura sieci chcesz. I nie zapomnij wybrać funkcji straty odpowiedniej dla twojego problemu, np. Cross-entropia dla klasyfikacji.

python 2.7.11, tensorflow 0.10.0rc0, tflearn 0.2.1