应用TensorFlow高级api构建全连接神经网络(2)--api解释

tf.layers.dense

tf.layers.dense(
    inputs,
    units,
    activation=None,
    use_bias=True,
    kernel_initializer=None,
    bias_initializer=tf.zeros_initializer(),
    kernel_regularizer=None,
    bias_regularizer=None,
    activity_regularizer=None,
    kernel_constraint=None,
    bias_constraint=None,
    trainable=True,
    name=None,
    reuse=None
)

• inputs：必需，即需要进行操作的输入数据。
• units：必须，即神经元的数量。
• activation：可选，默认为 None，如果为 None 则是线性激活。
• use_bias：可选，默认为 True，是否使用偏置。
• kernel_initializer：可选，默认为 None，即权重的初始化方法，如果为 None，则使用默认的 Xavier 初始化方法。
• bias_initializer：可选，默认为零值初始化，即偏置的初始化方法。
• kernel_regularizer：可选，默认为 None，施加在权重上的正则项。
• bias_regularizer：可选，默认为 None，施加在偏置上的正则项。
• activity_regularizer：可选，默认为 None，施加在输出上的正则项。
• kernel_constraint，可选，默认为 None，施加在权重上的约束项。
• bias_constraint，可选，默认为 None，施加在偏置上的约束项。
• trainable：可选，默认为 True，布尔类型，如果为 True，则将变量添加到 GraphKeys.TRAINABLE_VARIABLES 中。
• name：可选，默认为 None，卷积层的名称。
• reuse：可选，默认为 None，布尔类型，如果为 True，那么如果 name 相同时，会重复利用。

参考：https://blog.csdn.net/xierhacker/article/details/82747919

tf.estimator.Estimator

# Estimator 类，用来训练和验证 TensorFlow 模型。
class Estimator(object):
    def __init__(self, model_fn, model_dir=None, config=None, params=None,
               warm_start_from=None):

• model_fn: 模型函数。函数的格式如下：
  • 参数：
    • 1、features: 这是 input_fn 返回的第一项（input_fn 是 train, evaluate 和 predict 的参数）。类型应该是单一的 Tensor 或者 dict。
    • 2、labels: 这是 input_fn 返回的第二项。类型应该是单一的 Tensor 或者 dict。如果 mode 为 ModeKeys.PREDICT，则会默认为 labels=None。如果 model_fn 不接受 mode，model_fn 应该仍然可以处理 labels=None。
    • 3、mode: 可选。指定是训练、验证还是测试。参见 ModeKeys。
    • 4、params: 可选，超参数的 dict。 可以从超参数调整中配置 Estimators。
    • 5、config: 可选，配置。如果没有传则为默认值。可以根据 num_ps_replicas 或 model_dir 等配置更新 model_fn。
  • 返回：
    • EstimatorSpec
• model_dir: 保存模型参数、图等的地址，也可以用来将路径中的检查点加载至 estimator 中来继续训练之前保存的模型。如果是 PathLike， 那么路径就固定为它了。如果是 None，那么 config 中的 model_dir 会被使用（如果设置了的话），如果两个都设置了，那么必须相同；如果两个都是 None，则会使用临时目录。
• config: 配置类。
• params: 超参数的dict，会被传递到 model_fn。keys 是参数的名称，values 是基本 python 类型
• warm_start_from: 可选，字符串，检查点的文件路径，用来指示从哪里开始热启动。或者是 tf.estimator.WarmStartSettings 类来全部配置热启动。如果是字符串路径，则所有的变量都是热启动，并且需要 Tensor 和词汇的名字都没有变。

参考：https://blog.csdn.net/HappyRocking/article/details/80500172

tf.estimator.Estimator.evaluate

def evaluate(self, input_fn, steps=None, hooks=None, checkpoint_path=None, name=None):

使用验证集 input_fn 对 model 进行验证。

• input_fn：此函数构造出验证所需的输入数据。

• steps：验证模型的步数。如果是 None，则一直验证下去，直至input_fn 抛出了出界异常。

• hooks：SessionRunHook子类实例的 list。作为验证的回调函数。

• checkpoint_path：特定检查点的路径。如果是 None，则默认为 model_dir 中最近的检查点（model_dir 是 tf.estimator.Estimator 的构造函数的参数之一）

• name：验证的名字。使用者可以针对不同的数据集运行多个验证操作，比如训练集 vs 测试集。不同验证的结果被保存在不同的文件夹中，且分别出现在 tensorboard 中。

返回一个字典，包括 model_fn 中指定的评价指标、global_step。

tf.estimator.Estimator.train

def train(self,
            input_fn,
            hooks=None,
            steps=None,
            max_steps=None,
            saving_listeners=None):

• input_fn：输入函数返回一个元组：features - Dictionary 的字符串特征名到 Tensor 或 SparseTensor。labels - Tensor 或带标签的张量字典。
• hooks：SessionRunHook 子类实例列表。用于训练循环内的回调。
• steps：用于训练模型的步骤数。如果为 None，永远训练或训练直到 input_fn 生成 OutOfRange 或 StopIteration 错误。“steps”是逐步进行的。如果你调用两次 train（steps = 10），那么 train 总共有20步。如果 OutOfRange 或 StopIteration 在中间出现差错，train将在前20步之前停止。如果你不想要增量表现，请设置 max_steps 代替。如果设置，max_steps 必须为 None。
• max_steps：用于 train 模型的总步骤数。如果为 None，永远训练或训练，直到 input_fn 生成 OutOfRange 或 StopIteration 错误。如果设置，steps 必须为None。如果 OutOfRange 或者 StopIteration 在中间出现差错，训练之前应停止 max_steps 步骤。两次调用 train (steps=100) 意味着 200次 train 迭代。另一方面，两个调用 train(max_steps=100)意味着第二次调用将不会执行任何迭代，因为第一次调用完成了所有的100个步骤。
• saving_listeners: CheckpointSaverListener对象的列表，用于在检查点保存之前或之后立即运行的回调。

https://blog.csdn.net/weixin_42499236/article/details/84189310