在回归模型或分类模型中创建嵌套

如果您有一个稀疏分类变量（可以有多个可能的值的变量），将该变量嵌入到较低维度可能会非常有用。这种最广为人知的嵌入形式就是词嵌套（例如 word2vec 或 Glove 嵌套），即语言中的所有词汇都用一个包含约 50 个元素的向量表示。其理念是相似的词汇在 50 维空间中距离很近。您可以使用分类变量进行相同操作，即使用一个问题训练嵌套，然后再次使用该嵌套，而非对相关问题中的分类变量进行独热编码。嵌套的较低维度空间是连续的，所以该嵌套还可以充当聚类算法的输入 — 您可以找到分类变量的自然分组。

嵌套可以帮助您看到森林，而不仅仅是树木

要提供使用估算器训练的嵌套，您可以连同普通预测输出一起，发出分类变量的较低维度表征。嵌套权重保存在 SavedModel 中，并且有一个分享文件本身的选项。或者，您也可以为机器学习团队的客户端按需提供嵌套，这些客户端现在只是松散耦合到您选择的模型架构，所以这样可能更容易维护。每次有更新更好的版本替代您的模型时，客户端都会获得更新后的嵌套。

在本文中，我会向您展示如何：

在回归模型或分类模型中创建嵌套

以不同方法表示分类变量

使用特征列进行数学计算

分发嵌套及原始模型的输出

您可以在 GitHub 上找到本文中的完整代码，其中包含更多上下文。在这里，我只向您展示关键代码段。

用模型来预测自行车需求

我们来构建一个简单的需求预测模型，在已知星期几和当天是否下雨的前期下，预测自行车租赁站的租车数量。所需数据来自纽约市自行车租赁和NOAA 气象数据的公开数据集：

模型的输入如下：

星期几（1–7 的整数）

租赁站 ID（由于不知道完整词汇，这里我们使用哈希存储分区。该数据集有大约 650 个唯一值。我们会使用一个很大的哈希存储分区，但之后会将其嵌入到较低维度中）

是否下雨（真/假）

我们想要预测的标签为 num_trips。

我们可以通过在BigQuery中运行这个查询来创建数据集，从而加入自行车和天气数据集，并进行必要的聚合：

注：BigQuery 链接

https://cloud.google.com/bigquery/

1#standardsql

2WITH bicycle_rentals AS (

3SELECT

4COUNT(starttime) as num_trips,

5EXTRACT(DATE from starttime) as trip_date,

6MAX(EXTRACT(DAYOFWEEK from starttime)) as day_of_week,

7start_station_id

8FROM `bigquery-public-data.new_york.citibike_trips`

9GROUP BY trip_date, start_station_id

10),

11

12rainy_days AS

13(

14SELECT

15date,

16(MAX(prcp) > 5) AS rainy

17FROM (

18SELECT

19 wx.date AS date,

20IF (wx.element = 'PRCP', wx.value/10, NULL) AS prcp

21FROM

22`bigquery-public-data.ghcn_d.ghcnd_2016` AS wx

23WHERE

24wx.id = 'USW00094728'

25)

26GROUP BY

27 date

28 )

29

30SELECT

31num_trips,

32day_of_week,

33start_station_id,

34rainy

35FROM bicycle_rentals AS bk

36JOIN rainy_days AS wx

37ON wx.date = bk.trip_date

使用估算器编写模型

要编写模型，我们需要在 TensorFlow 中使用自定义估算器。虽然这只是一个线性模型，但我们不能使用 LinearRegressor，因为 LinearRegressor 会隐藏所有底层特征列运算。我们需要访问中间层输出（嵌套特征列的输出），这样我们就可以清晰地编写线性模型。

要使用自定义估算器，您需要编写一个模型函数，并将其传递给估算器构造函数：

1ef train_and_evaluate(output_dir, nsteps):

2estimator = tf.estimator.Estimator(

3model_fn = model_fn,

4model_dir = output_dir)

自定义估算器中的模型函数包括下列 5 个部分：

1.定义模型：

1def model_fn(features, labels, mode):

2# linear model

3station_col = tf.feature_column.categorical_column_with_hash_bucket('start_station_id', 5000, tf.int32)

4station_embed = tf.feature_column.embedding_column(station_col, 2) # embed dimension

5embed_layer = tf.feature_column.input_layer(features, station_embed) 6

7cat_cols = [

8tf.feature_column.categorical_column_with_identity('day_of_week', num_buckets = 8),

9tf.feature_column.categorical_column_with_vocabulary_list('rainy', ['false', 'true'])

10]

11cat_cols = [tf.feature_column.indicator_column(col) for col in cat_cols]

12other_inputs = tf.feature_column.input_layer(features, cat_cols)

13

14all_inputs = tf.concat([embed_layer, other_inputs], axis=1)

15predictions = tf.layers.dense(all_inputs, 1) # linear model

我们将选取租赁站列，并根据其哈希代码将其放入一个存储分区。使用这个技巧可以避免构建完整词汇。纽约只有大约 650 个自行车租赁站，所以拥有 5000 个哈希存储分区，我们就可以大大减少冲突的几率。然后，将租赁站 ID 嵌入到少数维度中，我们还会了解到哪些租赁站彼此相似，至少在雨天租车的情况下相似。最后，用二维向量表示每个租赁站的 ID。数字 2 控制较低维度空间代表分类变量中信息的准确程度。这里我随意选择了 2，但实际上，我们需要调节此超参数，以实现最佳性能。

其他两个分类列均使用其实际词汇创建，然后进行了独热编码（指示器列对数据进行了独热编码）。

这两组输入都经过级联，以创建一个宽输入层，然后通过一个输出节点传递到某个密集层。这样，您就在较低层级编写了一个线性模型。这相当于编写了一个 LinearRegressor，如下所示：

1station_embed =

2tf.feature_column.embedding_column(

tf.feature_column.categorical_column_with_hash_bucket('start_station_id', 5000, tf.int32), 2)

3feature_cols = [

4tf.feature_column.categorical_column_with_identity('day_of_week', num_buckets = 8),

5station_embed,

6tf.feature_column.categorical_column_with_vocabulary_list('rainy', ['false', 'true'])

7]

8estimator = tf.estimator.LinearRegressor(

9model_dir = output_dir,

10feature_columns = feature_cols)

请注意，LinearRegressor 会将 input_layer、indicator_column 等全部隐藏起来。但是，我想访问租赁站的嵌套，所以将其显示了出来。

2.使用回归模块设置估算器规范

对于回归问题，我们可以使用 Ftrl 优化器将均方误差最小化（ LinearRegressor 默认使用此优化器，所以我也使用这个）：

1my_head = tf.contrib.estimator.regression_head()

2spec = my_head.create_estimator_spec(

3features = features, mode = mode,

4labels = labels, logits = predictions,

5optimizer = tf.train.FtrlOptimizer(learning_rate = 0.1)

6)

3 — 4.创建输出字典

通常情况下，我们只会发送预测，但在这个例子中，我们想回送预测和嵌套：

1# 3. Create predictions

2predictions_dict = {

3"predicted": predictions,

4"station_embed": embed_layer

5}

6

7# 4. Create export outputs

8export_outputs = {

9"predict_export_outputs": tf.estimator.export.PredictOutput(outputs = predictions_dict)

10}

这里，我们使用自定义估算器的另一个原因在于它能够更改 export_outputs。

5.回送带有预测结果的 EstimatorSpec，并导出替换过的输出：

1# 5. Return EstimatorSpec

2return spec._replace(predictions = predictions_dict,

3export_outputs = export_outputs)

现在，我们照常训练模型。

调用预测

然后，可以使用TensorFlow Serving提供导出的模型，或者可以选择将其部署到Cloud ML Engine（实际是托管的 TF Serving），随后调用进行预测。您也可以使用gcloud调用本地模型（它可以针对此用途提供比saved_model_cli更方便的界面）：

1EXPORTDIR=./model_trained/export/exporter/

2MODELDIR=$(ls $EXPORTDIR | tail -1)

3gcloud ml-engine local predict --model-dir=${EXPORTDIR}/${MODELDIR} --json-instances=./test.json

test.json 中有什么？

{“day_of_week”: 4, “start_station_id”: 435, “rainy”:“true”}

{“day_of_week”: 4, “start_station_id”: 521, “rainy”:“true”}

{“day_of_week”: 4, “start_station_id”: 3221, “rainy”:“true”}

{“day_of_week”: 4, “start_station_id”: 3237, “rainy”:“true”}

正如您看到的，我发送了 4 个实例，分别对应租赁站 435、521、3221 和 3237。

前面两个站位于曼哈顿，这一区域的租赁活动非常频繁（既为通勤族也为游客提供租赁服务）。后面两个站位于长岛，这个区域的自行车租赁并不普及（可能只在周末提供服务）。产生的输出包含预测的旅行数量（我们的标签）和租赁站的嵌套：

在本例中，嵌套的第一个维度在全部情况下几乎为零。所以，我们只需要一个维度嵌套。查看第二个维度，非常清楚地显示曼哈顿站有正值 (0.0081, 0.0011)，而长岛站有负值 (-0.0025, -0.0031)。

这是我们单纯通过机器学习模型得到的信息，仅考察这两个地点在不同日期的自行车租赁情况！如果您的 TensorFlow 模型中有分类变量，可以试试从这些模型中分配嵌套。也许他们会带来新的数据分析！