tf.estimator 小结

1. 1.tf.estimator.EstimatorSpec源码分析

tf.estimator.EstimatorSpec是python新增的一个高级api，它定义了一个具体的模型对象，现根据源代码简要分析其功能。

ModeKeys类

源代码如下：

class ModeKeys(object):
TRAIN = 'train'
EVAL = 'eval'
PREDICT = 'infer'

该类有点类似于Java中的枚举类型，定义了tensorflow的三种模式：训练、预测、评估模型

EstimatorSpec类

该类定义了一个具体的模型：

def __new__(cls,
mode,
predictions=None,
loss=None,
train_op=None,
eval_metric_ops=None,
export_outputs=None,
training_chief_hooks=None,
training_hooks=None,
scaffold=None):

该类定义了一个具体的模型对象，但是参数之间互相有约束
mode: 定义了模型的类型，也就是上文ModeKeys类对象，依赖于不同的model对取值会有所要求：
如果mode==ModeKeys.TRAIN，此时模型类型为训练，则必须loss和train_op参数
如果mode==ModeKeys.EVAL，此时模型类型为评估，则必须loss参数
如果mode==ModeKeys.PREDICT`，此时模型类型为预测，则必须predictions
EstimatorSpec一般会配合Estimator类使用。

Estimator类

这个类被用来训练和评估tensorflow模型
这个对象封装了EstimatorSpe类，根据给定的输入和一些其他的参数，去训练或者评估模型。
这个类所有的输出都会被写到”model_dir”参数所对应的目录，如果这个参数为null，则会被写入到一个临时文件夹。
Estimator类中config参数需传递一个RunConfig对象实例，这个对象用来控制程序的运行环境。他会被传入到Model实例中。见代码:

if config is None:
self._config = run_config.RunConfig()
logging.info('Using default config.')
else:
if not isinstance(config, run_config.RunConfig):
raise ValueError(
'config must be an instance of RunConfig, but provided %s.' %
config)
self._config = config

numpy_input_fn

This returns a function outputtingfeaturesandtargetbased on the dict
of numpy arrays. The dictfeatureshas the same keys as thex.

2.