native_model

base_model

get_sigmoid_loss_and_pred(name, logits, label, batch_size, sample_rate=1.0, sample_bias=False, mode='train', instance_weight=None, logit_clip_threshold=None, predict_before_correction=True)

对二分类，基于sigmoid计算loss和predict

由于负例采样，fast_emit等原因，需要对logit进进较正，在get_sigmoid_loss_and_pred会透明地进行

Parameters:

• name (str) – 名称

• logits (tf.Tensor) – 样本logits(无偏logit)，可用于直接predict，但是不能用于直接计算loss

• label (tf.Tensor) – 样本标签

• batch_size (int) – 批大小

• sample_rate (tf.Tensor) – 负例采样的采样率

• sample_bias (bool) – 是否有开启fast_emit

• mode (str) – 运行模式，可以是train/eval/predict等

get_softmax_loss_and_pred(name, logits, label, mode)

对多分类，基于softmax计算loss和predict

Parameters:

• name (str) – 名称

• logits (tf.Tensor) – 样本logits

• label (tf.Tensor) – 样本标签

• mode (str) – 运行模式，可以是train/eval/predict等

class MonolithBaseModel(params)

模型开发的基类

instantiate()

实例化对像

add_loss(losses)

用于追加辅助loss，如layer loss等

Parameters:

losses (List[tf.Tensor]) – 辅助loss列表

create_input_fn(mode)

生成input_fn

create_model_fn()

生成model_fn

create_serving_input_receiver_fn()

生在Serving数据流，serving_input_receiver_fn

abstract input_fn(mode)

抽象方法，定义数据流

Parameters:

mode (str) – 训练模式，train/eval/predict等

Returns:

DatasetV2，TF数据集

abstract model_fn(features, mode)

抽象方法，定义模型

Parameters:

• features (Dict[str，tf.Tensor]) – 特征

• mode (str) – 训练模式，train/eval/predict等

Returns:

Union[EstimatorSpec，Tuple[tf.Tensor，tf.Tensor，tf.Tensor]]，可以是tuple，包括(loss，label，predict),

也可以是EstimatorSpec

abstract serving_input_receiver_fn()

Serving数据流，训练数据流与Serving数据流或能不一样

Returns:

ServingInputReceiver

add_extra_output(name, outputs)

如果有出多输出，可以用add_extra_output，每个输出会成为Serving中的一个Signature

Parameters:

• name (str) – 签名的名称

• outputs (Union[tf.Tensor，Dict[str，tf.Tensor]]) – 输出，可以是一个Tensor，也可以是一个Dict[str，tf.Tensor]

class MonolithModel(params=None)

模型开发的基类

Parameters:

params (Params) – 配置参数，默认为None