TF Estimator - 以前的 TF 學習 · 精通 TensorFlow 1.x

# TF Estimator - 以前的 TF 學習 TF Estimator 是一個高級 API，通過封裝訓練，評估，預測和導出函數，可以輕松創建和訓練模型。 TensorFlow 最近重新命名并在 TensorFlow 中以新名稱 TF Estimator 發布了 TF Learn 軟件包，可能是為了避免與 tflearn.org 的 TFLearn 軟件包混淆。 TF Estimator API 對原始 TF 學習包進行了重大改進，這些包在 KDD 17 會議上提供的研究論文中有所描述，可以在以下鏈接中找到： [https://doi.org/10.1145/3097983.3098171](https://doi.org/10.1145/3097983.3098171) 。 TF Estimator 界面設計靈感來自流行的機器學習庫 SciKit Learn，允許從不同類型的可用模型創建估計器對象，然后在任何類型的估計器上提供四個主要函數： * `estimator.fit()` * `estimator.evaluate()` * `estimator.predict()` * `estimator.export()` 函數的名稱是不言自明的。估計器對象表示模型，但模型本身是從提供給估計器的模型定義函數創建的。我們可以在下圖中描述估計器對象及其接口： ![](https://img.kancloud.cn/25/42/25428da14109e1c2a16da56b7999675d_231x347.png) 使用 Estimator API 而不是在核心 TensorFlow 中構建所有內容，可以不用擔心圖，會話，初始化變量或其他低級細節。在撰寫本書時，TensorFlow 提供了以下預構建的估計器： * `tf.contrib.learn.KMeansClustering` * `tf.contrib.learn.DNNClassifier` * `tf.contrib.learn.DNNRegressor` * `tf.contrib.learn.DNNLinearCombinedRegressor` * `tf.contrib.learn.DNNLinearCombinedClassifier` * `tf.contrib.learn.LinearClassifier` * `tf.contrib.learn.LinearRegressor` * `tf.contrib.learn.LogisticRegressor` TF Estimator API 中的簡單工作流程如下： 1. 找到與您要解決的問題相關的預構建 Estimator。 2. 編寫導入數據集的函數。 3. 定義包含特征的數據中的列。 4. 創建在步驟 1 中選擇的預構建估計器的實例。 5. 訓練估計器。 6. 使用經過訓練的估計器進行評估或預測。下一章討論的 Keras 庫提供了將 Keras 模型轉換為 Estimators 的便捷函數：`keras.estimator.model_to_estimator()`。筆記本`ch-02_TF_High_Level_Libraries`中提供了 MNIST 分類示例的完整代碼。 TF Estimator MNIST 示例的輸出如下： ```py INFO:tensorflow:Using default config. WARNING:tensorflow:Using temporary folder as model directory: /tmp/tmprvcqgu07 INFO:tensorflow:Using config: {'_save_checkpoints_steps': None, '_task_type': 'worker', '_save_checkpoints_secs': 600, '_service': None, '_task_id': 0, '_master': '', '_session_config': None, '_num_worker_replicas': 1, '_keep_checkpoint_max': 5, '_cluster_spec': <tensorflow.python.training.server_lib.ClusterSpec object at 0x7ff9d15f5fd0>, '_keep_checkpoint_every_n_hours': 10000, '_log_step_count_steps': 100, '_is_chief': True, '_save_summary_steps': 100, '_model_dir': '/tmp/tmprvcqgu07', '_num_ps_replicas': 0, '_tf_random_seed': None} INFO:tensorflow:Create CheckpointSaverHook. INFO:tensorflow:Saving checkpoints for 1 into /tmp/tmprvcqgu07/model.ckpt. INFO:tensorflow:loss = 2.4365, step = 1 INFO:tensorflow:global_step/sec: 597.996 INFO:tensorflow:loss = 1.47152, step = 101 (0.168 sec) INFO:tensorflow:global_step/sec: 553.29 INFO:tensorflow:loss = 0.728581, step = 201 (0.182 sec) INFO:tensorflow:global_step/sec: 519.498 INFO:tensorflow:loss = 0.89795, step = 301 (0.193 sec) INFO:tensorflow:global_step/sec: 503.414 INFO:tensorflow:loss = 0.743328, step = 401 (0.202 sec) INFO:tensorflow:global_step/sec: 539.251 INFO:tensorflow:loss = 0.413222, step = 501 (0.181 sec) INFO:tensorflow:global_step/sec: 572.327 INFO:tensorflow:loss = 0.416304, step = 601 (0.174 sec) INFO:tensorflow:global_step/sec: 543.99 INFO:tensorflow:loss = 0.459793, step = 701 (0.184 sec) INFO:tensorflow:global_step/sec: 687.748 INFO:tensorflow:loss = 0.501756, step = 801 (0.146 sec) INFO:tensorflow:global_step/sec: 654.217 INFO:tensorflow:loss = 0.666772, step = 901 (0.153 sec) INFO:tensorflow:Saving checkpoints for 1000 into /tmp/tmprvcqgu07/model.ckpt. INFO:tensorflow:Loss for final step: 0.426257. INFO:tensorflow:Starting evaluation at 2017-12-15-02:27:45 INFO:tensorflow:Restoring parameters from /tmp/tmprvcqgu07/model.ckpt-1000 INFO:tensorflow:Finished evaluation at 2017-12-15-02:27:45 INFO:tensorflow:Saving dict for global step 1000: accuracy = 0.8856, global_step = 1000, loss = 0.40996 {'accuracy': 0.88559997, 'global_step': 1000, 'loss': 0.40995964} ``` 您將在第 5 章中看到如何使用核心 TensorFlow 創建此類模型。