如何将自定义树添加到自定义的Keras层？

Question

我正在尝试将以下教程汇总在一起：

1. a href =“ https://www.tensorflow.org/decision_forests/tutorials/advanced_colab#creating_a_model_model_model_model_by_by_by_by_handhande
2. < a href =“ https://www.tensorflow.org/guide/keras/custom_layers_and_models” rel =“ nofollow noreferrer”>通过subclassing
3. 组成决策森林和神经网络模型

目标是1。创建一个自定义树，2。将其嵌入自定义层，并将其组合到3中。与其他层的模型。

问题在于，在步骤1中，通过使用RandomForestBuilder，该模型被序列化并进行了序列化，从而导致对象的keras.saving.saved.saved_model.load.coremodel.coremodel，

但是，该教程在步骤3中。通过tfdf.keras嵌入了树层。 理想情况下， RandomForestModel

理想情况下，自定义层将通过在其构造函数中调用Random ForestBuilder创建自定义树，但是，鉴于模型的导出和加载，这并不简单。

则会出现错误的错误

下面给出了输入层的结构的错误，如果省略了前者的错误，

builder = tfdf.builder.RandomForestBuilder(
    path="/tmp/manual_model",
    objective = tfdf.py_tree.objective.RegressionObjective(label='tree_result')
)

Tree = tfdf.py_tree.tree.Tree
SimpleColumnSpec = tfdf.py_tree.dataspec.SimpleColumnSpec
ColumnType = tfdf.py_tree.dataspec.ColumnType
RegressionValue = tfdf.py_tree.value.RegressionValue

NonLeafNode = tfdf.py_tree.node.NonLeafNode
LeafNode = tfdf.py_tree.node.LeafNode
NumericalHigherThanCondition = tfdf.py_tree.condition.NumericalHigherThanCondition
CategoricalIsInCondition = tfdf.py_tree.condition.CategoricalIsInCondition

tree = Tree(
    NonLeafNode(
        condition=CategoricalIsInCondition(
            feature=SimpleColumnSpec(name='feature_name', type=ColumnType.CATEGORICAL),
            mask=['class_1'],
            missing_evaluation=False
        ),
        pos_child = LeafNode(value=RegressionValue(value=0.5)),
        neg_child = LeafNode(value=RegressionValue(value=0.6))
    )
)

builder.add_tree(tree)
builder.close()
custom_tree = tf.keras.models.load_model("/tmp/manual_model")

。

class CustomTree(tf.keras.layers.Layer):
  def __init__(self, custom_tree):
    super(CustomTree, self).__init__()
    self.custom_tree = custom_tree

  def call(self, inputs):
    return self.custom_tree(inputs)


input_layer = tf.keras.layers.Input(shape=(None,), name='feature_name', dtype=tf.string)
output_layer = CustomTree(custom_tree)(input_layer)

model = tf.keras.models.Model(input_layer, output_layer, name='SomeModel')

model.predict(tf.data.Dataset.from_tensor_slices(
    {'feature_name': ['class_1','class_2']}
).batch(1))

Answer 1

找到以下解决方案：

1. 以yggdrasil格式导出自定义树：

     builder = tfdf.builder.randomforestbuilder（
        model_format = tfdf.builder.modelformat.yggdrasil_decision_forest，
        路径= self._temp_directory，
        目标=客观）
    

2. 通过关闭建筑商保存模型后，将树加载为Coremodel：

     builder.close（）
   
    Inspector_lib = tfdf.component.inspector.inspector
    Inspector = Inspector_lib.make_inspector（self._temp_directory，file_prefix = none）
   
    custom_tree = tfdf.keras.coremodel（
        任务=目标。任务，
        学习者='手动'，
        排名_group = none，
        temp_directory = self._temp_directory）
   
    custom_tree._set_from_yggdrasil_model（
        检查员
        self._temp_directory，
        file_prefix = none， 
        input_model_signature_fn = builder._input_model_signature_fn）
    

3. 创建一个带有自定义拟合功能的tfdf.keras.cartmodel的模型子类，将自定义树结构分配给模型：

    类Customdt（tfdf.keras.cartmodel）：
       def __init __（self，name = none，** kwargs）：
           super（customdt，self）.__ init __（名称=名称，** kwargs）
   
       def fit（self）：
           custom_tree = self.create_custom_tree（）
           self._model = custom_tree._model
           self._is_trained.sign（true）
           self.__semantics = custom_tree._semantics