Estimator 作用简介
Estimator 使用来简化机器学习训练、评估、预测的一个高阶 TensorFlow API。我们可以使用预创建的 Estimator，也可以自己编写自定义的 Estimator，但是所有的 Estimator 都是基于 tf.estimator.Estimator 类的类。
Why Estimator
- 可以在本地主机上或分布式多服务器环境中运行基于 Estimator 的模型，而无需更改模型。
- 使用高级直观代码开发先进的模型。简言之，采用 Estimator 创建模型通常比采用低阶 TensorFlow API 更简单。
- Estimator 本身在
tf.layers之上构建而成，可以简化自定义过程。 - Estimator 会自动构建图。
- Estimator 提供安全的分布式训练循环，可以控制如何以及何时：
- 构建图
- 初始化变量
- 开始排队
- 处理异常
- 创建检查点文件并从故障中恢复
- 保存 TensorBoard 的摘要 不过在使用 Estimator 编写应用时，我们必须将数据输入管道从模型中分离出来，而这种分离会方便我们以后在不同数据集上部署实验。
使用已经封装好的 Estimator 模型
- 编写一个或多个数据导入函数。
官方推荐我们可以创建两个函数来导入数据，一个用来导入训练集，一个用来导入测试集。函数输出要求如下两点：
- 一个字典，其中
key是特征名称，value是包含相应特征数据的张量 - 一个包含一个或多个标签的张量
1
2
3def input_fn(dataset): ... # manipulate dataset, extracting the feature dict and the label return feature_dict, label - 一个字典，其中
- 定义特征列
每个
tf.feature_column都标识了特征名称、特征类型和任何输入预处理操作。1
2
3
4
5# 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)注：第三个特征中定义了一个匿名函数，用来调节原始数据
- 实例化 Estimator
1
2
3
4# Instantiate an estimator, passing the feature columns. estimator = tf.estimator.LinearClassifier( feature_columns=[population, crime_rate, median_education], ) - 使用模型进行训练、评估或推理方法
1
2# my_training_set is the function created in Step 1 estimator.train(input_fn=my_training_set, steps=2000)
自定义 Estimator 模型
研究用 Tensorflow 大概率上不会有预定义好的 Estimator 所以我们还是需要了解如何写模型函数。由于我们需要自己写模型，所以我们可能需要自行实现包含但不仅仅包含多GPU并行计算等功能。
官方推荐的工作流如下：
- 假设存在合适的预创建的 Estimator，使用它构建第一个模型并使用其结果确定基准。
- 使用此预创建的 Estimator 构建和测试整体管道，包括数据的完整性和可靠性。
- 如果存在其他合适的预创建的 Estimator，则运行实验来确定哪个预创建的 Estimator 效果最好。
- 可以通过构建自定义 Estimator 进一步改进模型。 显然这一部分只有第四个符合我们的需求，当然我们也可以用 1-3 部分来检验读入的数据是否完整等。至于模型部分的构建我们可以通过直接创建自定义模型和使用 Keras 构建模型之后转换成 Estimator 这两种方式来构建。前者会在之后的进阶Estimator 笔记中总结，而后者已经在 Keras 入门阶段进行了介绍。