TensorFlow Estimator 教程之----快速入门

TensorFlow 版本：1.10.0 > Guide > Introduction to Estimators

Estimator 概述
本篇将介绍 TensorFlow 中的 Estimators（可极大简化机器学习编程过程）。Estimators 中封装了以下几部分：

• 训练（training）
• 评估（evaluation）
• 预测（prediction）
• 输出模型（export for serving）

我们既可以使用内置 Estimator，也可以编写自定义 Estimator。

注意：TensorFlow 中的 tf.contrib.learn.Estimator 已经弃用了，请不要使用该 API。

1. Estimator 的优势

Estimator 有以下优势：

• 对分布式的良好支持（不需要更改代码）。
• 有利于模型开发者之间的代码分享。
• 简化了模型的创建工作。
• Estimator 建立在 `tf.layers` 上，这简化了自定义 Estimator 的编写。
• Estimator 会为你创建 graph。

• Estimator 提供了一个安全的分布式训练环境，其会帮我们控制这么、何时去：

  • 建立 graph。
  • 初始化 variables。
  • 开始 queues。
  • 处理 exceptions。
  • 创建 checkpoint 文件，从失败中恢复训练。
  • 保存 summaries for TensorBoard。

当用 Estimator 编写一个 application，你必须将 input pipeline 和 model 分开。这种分离简化了在不同数据集上的 experiments。

2. 内置的 Estimator

内置的 Estimator 使得你可以在更高层面思考问题。内置的 Estimator 会为你创建、管理 Graph 和 Session 对象。另外，内置的 Estimator 使你可以在最小的代码修改量的情况下实验不同的模型结构。

2.1 基于内置 Estimator 的程序的结构

使用内置 Estimator 的 TF 程序一般包含以下四步：

1. 编写一个或多个数据集导入函数。 例如：创建一个函数来导入训练数据集，另一个函数来导入测试数据集。每一个数据集导入函数必须返回两个对象：

   • 一个字典。字典的键名为特征的名字，键值为 表示特征数据的 Tensor 或 Sparse Tensor。
   • 一个 Tensor。该 Tensor 包含一个或多个 label。

   例如，下面的代码说明了 input function 的基本框架：

   def input_fn(dataset):
      ...  # m