第五章：新版tensorflow入门，自定义模型（estimator）

1、概述

新版tensorflow内置了六款模型，包含线性回归模型和逻辑回归模型，能够使用这些模型非常方便快捷的实现自己的业务需求。但如果内置模型不能满足我们的业务需求时，就需要我们来自定义自己的模型。

如下图所示，预创建的 Estimator 是 tf.estimator.Estimator 基类的子类，

而自定义 Estimator 是 tf.estimator.Estimator 的实例：

模型函数（即 model_fn）会实现机器学习算法。采用预创建的 Estimator 和自定义 Estimator 的唯一区别是：

• 如果采用预创建的 Estimator，则有人已为您编写了模型函数。
• 如果采用自定义 Estimator，则您必须自行编写模型函数。

您的模型函数可以实现各种算法，定义各种各样的隐藏层和指标。与输入函数一样，所有模型函数都必须接受一组标准输入参数并返回一组标准输出值。正如输入函数可以利用 Dataset API 一样，模型函数可以利用 Layers API 和 Metrics API。

2、自定义模型

在定义模型之前建议先对模型结构进行设计，假如我们需要解决鸢尾花分类的问题，需要使用下面的模型。

根据上图的顺序我们可以按照 输入层，隐藏层 ， 和输出层的顺序来创建estimator。输入数据的处理与之前章节讨论的方式是一样的。

3、创建输入数据函数

我们通过tf内置的读取文件的形式来读入数据，并对数据进行扩充（repeat）,打乱（shuffle），以及批次处理，请参考如下代码：

# 读取鸢尾花的数据，使用tf直接读取文件，生成对应的输入数据集
import tensorflow  as tf
ds = tf.data.TextLineDataset('iris_training.csv').skip(1)
# 指定csv文件的列名
COLUMNS = ['SepalLength', 'SepalWidth',
           'PetalLength', 'PetalWidth',
           'label']
# 指定csv各个字段的默认值
FIELD_DEFAULTS = [[0.0], [0.0], [0.0], [0.0], [0]]
def _parse_line(line):
    # 将每一行解析到对应的字段当中
    fields = tf.decode_csv(line, FIELD_DEFAULTS)
    # 将字段值与列名组成一个字典
    features = dict(zip(COLUMNS,fields))
    #将特征值与标记列分开
    label = features.pop('label')
    return features, label
ds