Tensorflow笔记（八）——Estimator

1、概述

TF1.3开始引入estimator，通过框架图可以看到Estimator是属于High level的API，而Mid-level API分别是：

• Layers：用来构建网络结构
• Datasets: 用来构建数据读取pipeline
• Metrics：用来评估网络性能

Estimator简化和抽象了管理训练、评估和预测，跟Keras类似，Estimator是模型级别的API，我们不再需要关注Session这样的操作，只需要几步简单的定义就能让模型run起来。

2、使用方法

主要步骤：
（1）实例化一个Estimator，并与model_fn绑定。
（2）定义model_fn函数，包含模型结构、优化方法等，返回。
（3）定义定义input_fn函数，作为参数传递给Estimator的train函数，最后会被model_fn消费。

下面是一个基本的模式：
（1）构建estimator

import tensorflow as tf
# 创建一个名为classifier的estimator
classifier = tf.estimator.Estimator（model_fn, model_dir=None, 
	config=None, params=None, warm_start_from=None)

• model_fn是模型函数，estimator做的事情就是把获取到的参数传给model_fn。
• model_dir是存储和加载检查点和事件文件的路径，如果这里不设置就会从config里读取，如果都不设置则保存到临时目录，如果都设置则必须一致。
• config是estimator.RunConfig对象，主要是分布式训练和模型存储相关配置。
• params是传入model_fn的参数。
• warm_start_from是预训练模型路径。