TensorFlow中的高级API——Estimator

原文：
https://www.tensorflow.org/programmers_guide/estimators

Estimator 封装了以下部分：

• 训练
• 评估
• 预测
• 导出用于服务

评估器的优势

• 基于Estimator的模型可以运行于本地，也可以运行在分布式环境中。更可以运行于CPU、GPU和TPU之上而无需修改代码
• 方便了模型开发者间的分享
• 创建模型比使用低等级API更容易
• Estimator自身建立在tf.layers,简化定制
• Estimator自动建立图表
• 提供了安全的分布式训练循环来决定怎样以及何时：
  
  • 建立图表
  • 初始化变量
  • 开始队列
  • 处理异常
  • 创建检查点文件并从故障中恢复
  • 保存TensorBoard的摘要

使用Estimators编写应用程序时，必须将数据输入管道与模型分开。这种分离简化了不同数据集的实验。

预置评估器(Pre-made Estimators)

预置评估器创建和管理Graph和Session对象，只需进行最少量的代码更改即可尝试不同的模型架构。例如， DNNClassifier 是一个预置的Estimator类，它通过密集的前馈神经网络来训练分类模型。

基于预置评估器的程序结构

1. 写一个或多个数据集导入函数。例如训练集和测试集。每个数据集导入函数必须返回两个对象：

   • 一个字典，其中的键是特征名称，值是包含相应特征数据的Tensors（或SparseTensors）
   • 包含一个或多个标签的Tensor

   例如，下面的代码演示了输入函数的基本框架：

   def input_fn(dataset):
   ...  # manipulate dataset, extracting feature names and the label
   return feature_dict, label

2. 定义特征列。每个tf.feature_column识别一个特征的名称，类型和任何输入预处理。以下片段创建了三个保存整数或浮点数据的特征列。 前两个特征列只是标识特征的名称和类型。 第三个特性列还指定了程序将调用的用于缩放原始数据的lambda：

   
   # Define three numeric feature columns.
   
   population = tf.feature_column.numeric_column('population')
   crime_rate = tf.feature_column.numeric_column('crime_rate')
   median_education =    tf.feature_column.numeric_column('median_education',
                   normalizer_fn='lambda x: x - global_education_mean')

3. 实例化相关的预置评估器。例如：

   
   # Instantiate an estimator, passing the feature columns.
   
   estimator = tf.estimator.Estimator.LinearClassifier(
     feature_columns=[population, crime_rate, median_education],
     )

4. 调用训练、评估、预测方法。例如，所有评估器都提供训练方法：

   
   # my_training_set is the function created in Step 1
   
   estimator.train(input_fn=my_training_set, steps=2000)

预置评估器的优点：

Best practices for determining where different parts of the computational graph should run, implementing strategies on a single machine or on a cluster.

Best practices for event (summary) writing and universally useful summaries.

自定义评估器

每个评估器的核心——无论是预置还是自定义——都是其模型函数，它是一种为训练，评估和预测构建图形的方法。当使用预置评估器时，其他人已经实现了该模型功能。当使用自定义评估器时，须自己编写模型函数。

推荐工作流程

1. 假设存在合适的预置评估器，使用它构建第一个模型并使用其结果建立基线。
2. 使用此预置评估器构建和测试整体流水线，包括数据的完整性和可靠性。
3. 如果有合适的替代预置评估器可用，则运行实验以确定哪种预置评估器能够产生最佳结果。
4. 可能需要通过构建自定义评估器来进一步改进模型。