Java 类名：com.alibaba.alink.operator.batch.regression.KerasSequentialRegressorTrainBatchOp
Python 类名：KerasSequentialRegressorTrainBatchOp

功能介绍

构建一个 Keras 的 Sequential 模型，
训练回归模型。
通过 layers 参数指定构成 Sequential 模型的网络层，Alink 会自动在最开始添加 Input 层，在最后添加 Dense 层和激活层，得到完整的模型用于训练。
指定 layers 参数时，使用的是 Python 语句，例如

  1. "Conv1D(256, 5, padding='same', activation='relu')",
  2. "Conv1D(128, 5, padding='same', activation='relu')",
  3. "Dropout(0.1)",
  4. "MaxPooling1D(pool_size=8)",
  5. "Conv1D(128, 5, padding='same', activation='relu')",
  6. "Conv1D(128, 5, padding='same', activation='relu')",
  7. "Flatten()"

tf.keras.layers 内的网络层已经提前 import，可以直接使用。
使用的 TensorFlow 版本是 2.3.1。
该组件可以接 KerasSequentialRegressorPredictBatchOp 或 KerasSequentialRegressorPredictStreamOp 进行推理。

参数说明

名称 中文名称 描述 类型 是否必须？ 取值范围 默认值
labelCol 标签列名 输入表中的标签列名 String ✓
layers 各 layer 的描述 各 layer 的描述，使用 Python 语法，例如 “Conv1D(256, 5, padding=’same’, activation=’relu’)” String[] ✓
tensorCol tensor列 tensor列 String ✓ [DENSE_VECTOR, SPARSE_VECTOR, STRING, VECTOR]
batchSize 数据批大小 数据批大小 Integer
bestMetric 最优指标 判断模型最优时用的指标，仅在总并发度为 1 时起作用。都支持的有：loss;二分类还支持：auc, precision, recall, binary_accuracy, false_negatives, false_positives, true_negatives, true_positives;多分类还支持：sparse_categorical_accuracy;回归还支持：mean_absolute_error, mean_absolute_percentage_error, mean_squared_error, mean_squared_logarithmic_error, root_mean_squared_error String
checkpointFilePath 保存 checkpoint 的路径 用于保存中间结果的路径，将作为 TensorFlow 中 Estimator 的 model_dir 传入，需要为所有 worker 都能访问到的目录 String
intraOpParallelism Op 间并发度 Op 间并发度 Integer
learningRate 学习率 学习率 Double
numEpochs epoch数 epoch数 Integer
numPSs PS 角色数 PS 角色的数量。值未设置时，如果 Worker 角色数也未设置，则为作业总并发度的 1/4(需要取整),否则为总并发度减去 Worker 角色数。 Integer
numWorkers Worker 角色数 Worker 角色的数量。值未设置时，如果 PS

代码示例

以下代码仅用于示意，可能需要修改部分代码或者配置环境后才能正常运行！

Python 代码

  1. source = CsvSourceBatchOp() \
  2.     .setFilePath("https://alink-release.oss-cn-beijing.aliyuncs.com/data-files/random_tensor.csv") \
  3.     .setSchemaStr("tensor string, label double")
  5. source = ToTensorBatchOp() \
  6.     .setSelectedCol("tensor") \
  7.     .setTensorDataType("DOUBLE") \
  8.     .setTensorShape([200, 3]) \
  9.     .linkFrom(source)
  11. trainBatchOp = KerasSequentialRegressorTrainBatchOp() \
  12.     .setTensorCol("tensor") \
  13.     .setLabelCol("label") \
  14.     .setLayers([
  15.         "Conv1D(256, 5, padding='same', activation='relu')",
  16.         "Conv1D(128, 5, padding='same', activation='relu')",
  17.         "Dropout(0.1)",
  18.         "MaxPooling1D(pool_size=8)",
  19.         "Conv1D(128, 5, padding='same', activation='relu')",
  20.         "Conv1D(128, 5, padding='same', activation='relu')",
  21.         "Flatten()"
  22.     ]) \
  23.     .setOptimizer("Adam()") \
  24.     .setNumEpochs(1) \
  25.     .linkFrom(source)
  27. predictBatchOp = KerasSequentialRegressorPredictBatchOp() \
  28.     .setPredictionCol("pred") \
  29.     .setReservedCols(["label"]) \
  30.     .linkFrom(trainBatchOp, source)
  31. predictBatchOp.lazyPrint(10)
  32. BatchOperator.execute()

Java 代码

  1. import com.alibaba.alink.operator.batch.BatchOperator;
  2. import com.alibaba.alink.operator.batch.dataproc.ToTensorBatchOp;
  3. import com.alibaba.alink.operator.batch.regression.KerasSequentialRegressorPredictBatchOp;
  4. import com.alibaba.alink.operator.batch.regression.KerasSequentialRegressorTrainBatchOp;
  5. import com.alibaba.alink.operator.batch.source.CsvSourceBatchOp;
  6. import org.junit.Test;
  8. public class KerasSequentialRegressorTrainBatchOpTest {
  10.     @Test
  11.     public void testKerasSequentialRegressorTrainBatchOp() throws Exception {
  12.         BatchOperator<?> source = new CsvSourceBatchOp()
  13.             .setFilePath("https://alink-release.oss-cn-beijing.aliyuncs.com/data-files/random_tensor.csv")
  14.             .setSchemaStr("tensor string, label double");
  16.         source = new ToTensorBatchOp()
  17.             .setSelectedCol("tensor")
  18.             .setTensorDataType("DOUBLE")
  19.             .setTensorShape(200, 3)
  20.             .linkFrom(source);
  22.         KerasSequentialRegressorTrainBatchOp trainBatchOp = new KerasSequentialRegressorTrainBatchOp()
  23.             .setTensorCol("tensor")
  24.             .setLabelCol("label")
  25.             .setLayers(new String[] {
  26.                 "Conv1D(256, 5, padding='same', activation='relu')",
  27.                 "Conv1D(128, 5, padding='same', activation='relu')",
  28.                 "Dropout(0.1)",
  29.                 "MaxPooling1D(pool_size=8)",
  30.                 "Conv1D(128, 5, padding='same', activation='relu')",
  31.                 "Conv1D(128, 5, padding='same', activation='relu')",
  32.                 "Flatten()"
  33.             })
  34.             .setOptimizer("Adam()")
  35.             .setNumEpochs(1)
  36.             .linkFrom(source);
  38.         KerasSequentialRegressorPredictBatchOp predictBatchOp = new KerasSequentialRegressorPredictBatchOp()
  39.             .setPredictionCol("pred")
  40.             .setReservedCols("label")
  41.             .linkFrom(trainBatchOp, source);
  42.         predictBatchOp.lazyPrint(10);
  43.         BatchOperator.execute();
  44.     }
  45. }

运行结果

label pred
1.0000 0.4822
0.0000 0.4826
0.0000 0.4752
0.0000 0.4702
1.0000 0.4907
1.0000 0.4992
0.0000 0.4866
1.0000 0.5045
0.0000 0.4994
1.0000 0.4837