Ошибка компонента трейнера в расширении Tensorflow

У нас была та же проблема, и мы смогли ее решить, перейдя с api последовательной модели tf.keras на функциональный api. Вы можете прочитать об API различных моделей здесь. В обучающих материалах вы заметите, что широкая и глубокая модель реализована как функциональный API.

В качестве примера приведем образец модели keras для компонента тренера:

def _build_functional_test_model():
colname = 'feature_string_xf'
feature_columns = [
    tf.feature_column.numeric_column(colname, shape=_MAX_REQUEST_LEN, dtype=tf.dtypes.int64, default_value=0)]

input_layers = {
    colname: tf.keras.layers.Input(name=colname, shape=_MAX_REQUEST_LEN, dtype=tf.int64)
}

input_dense_layer = tf.keras.layers.DenseFeatures(feature_columns)(input_layers)

embedding = tf.keras.layers.Embedding(_N_UNIQUE_WORDS,
                                      _N_EMBED,
                                      input_length=_MAX_REQUEST_LEN)(input_dense_layer)

embedding_dropout = tf.keras.layers.SpatialDropout1D(_DROPOUT_EMBEDDING)(embedding)

conv_1 = tf.keras.layers.Conv1D(_N_CONV_1,
                                _K_CONV_1,
                                activation='linear',
                                activity_regularizer=tf.keras.regularizers.l1(_REGULARIZE_L1_CONV))(
    embedding_dropout)
activation_1 = tf.keras.layers.Activation('relu')(conv_1)
dropout_1 = tf.keras.layers.Dropout(_DROPOUT_CONV_1)(activation_1)

conv_2 = tf.keras.layers.Conv1D(_N_CONV_1,
                                _K_CONV_2,
                                activation='linear',
                                activity_regularizer=tf.keras.regularizers.l1(_REGULARIZE_L1_CONV))(dropout_1)
activation_2 = tf.keras.layers.Activation('relu')(conv_2)
dropout_2 = tf.keras.layers.Dropout(_DROPOUT_CONV_1)(activation_2)

conv_3 = tf.keras.layers.Conv1D(_N_CONV_3,
                                _K_CONV_3,
                                activation='linear',
                                activity_regularizer=tf.keras.regularizers.l1(_REGULARIZE_L1_CONV))(dropout_2)
activation_3 = tf.keras.layers.Activation('relu')(conv_3)
dropout_3 = tf.keras.layers.Dropout(_DROPOUT_CONV_1)(activation_3)

conv_4 = tf.keras.layers.Conv1D(_N_CONV_4,
                                _K_CONV_4,
                                activation='linear',
                                activity_regularizer=tf.keras.regularizers.l1(_REGULARIZE_L1_CONV))(dropout_3)
activation_4 = tf.keras.layers.Activation('relu')(conv_4)
dropout_4 = tf.keras.layers.Dropout(_DROPOUT_CONV_1)(activation_4)

max_pool_5 = tf.keras.layers.GlobalMaxPooling1D()(dropout_4)

dense_6 = tf.keras.layers.Dense(_N_DENSE_1,
                                activation='linear',
                                # activity_regularizer=keras.regularizers.l1(_REGULARIZE_L1_DENSE_1)
                                )(max_pool_5)
activation_6 = tf.keras.layers.Activation('relu')(dense_6)
dropout_6 = tf.keras.layers.Dropout(_REGULARIZE_L1_DENSE_1)(activation_6)

dense_7 = tf.keras.layers.Dense(_N_DENSE_2,
                                activation='linear',
                                # activity_regularizer=keras.regularizers.l1(_REGULARIZE_L1_DENSE_1)
                                )(dropout_6)
activation_6 = tf.keras.layers.Activation('relu')(dense_7)
dropout_7 = tf.keras.layers.Dropout(_REGULARIZE_L1_DENSE_1)(activation_6)

output = tf.keras.layers.Dense(1, activation='sigmoid')(dropout_7)

model = tf.keras.Model(input_layers, output)
model.compile(loss='binary_crossentropy', optimizer=_OPTIMIZER, metrics=['accuracy'])

return model

Используя указания и комментарий Джейсона, я изменил часть модели, поскольку tfx не поддерживает последовательную модель, а поддерживает функциональный API Keras.

def get_model(show_summary=True):

#one-hot categorical features
num_A = 4,
num_B = 3,
num_C = 2,
num_D = 8,
num_E = 12,
num_F = 4,
num_G = 16,
num_H = 26

input_A = tf.keras.Input(shape=(num_A,), name="A_xf")
input_B = tf.keras.Input(shape=(num_B,), name="B_xf")
input_C = tf.keras.Input(shape=(num_C,), name="C_xf")
input_D = tf.keras.Input(shape=(num_D,), name="D_xf")
input_E = tf.keras.Input(shape=(num_E,), name="E_xf")
input_F = tf.keras.Input(shape=(num_F,), name="F_xf")
input_G = tf.keras.Input(shape=(num_G,), name="G_xf")
input_H = tf.keras.Input(shape=(num_H,), name="H_xf")

inputs_con = tf.keras.layers.concatenate([
input_A,
input_B,
input_C,
input_D,
input_E,
input_F,
input_G,
input_H])

dense_1 = tf.keras.layers.Dense(50, activation = 'relu')(inputs_con)
dense_2 = tf keras.layers.Dense(25, activation = "rely") (dense_1)
output = tf.keras.laters.Dense(1, activation = "sigmoid") (dense_2)
model = keras.Model(inputs=inputs, outputs=outputs)

_inputs = [
input_A,
input_B,
input_C,
input_D,
input_E,
input_F,
input_G,
input_H]

model = tf.keras.models.Model(_inputs, output)

model.compile(optimizer='rmsprop',
          loss='binary_crossentropy',
          metrics=['accuracy'])

if show_summary:
    model.summary()

return model