本文件介绍Estimator – TensorFlow高级API，Estimators大大简化了机器学习编程,它包含以下功能：

• 训练
• 评测
• 预测
• 导出提供服务

您可以使用我们提供的预开发(Tensorflow自带)的Estimators，也可以编写自定义Estimators。所有Estimators – 无论是Tensorflow自带还是用户自定义 – 都是基于tf.estimator.Estimator类的类。

Estimators的优点

Estimators有以下优点：

• 您可以在本地主机上或在分布式multi-server环境中运行基于Estimators模型，而无需更改模型。此外，您可以在CPU，GPU或TPU上运行基于Estimators的模型，而无需重新编码模型。
• Estimators简化了模型开发人员之间的实现共享。
• 您可以使用high-level直观的代码开发最先进的模型。简而言之，使用Estimators创建模型通常比使用low-level TensorFlow API更容易。
• Estimators本身是建立在tf.layers上，这简化了自定义操作。
• Estimators为你建立计算图。换句话说，你不必自己建立计算图。
• Estimators提供安全的分布式训练循环，控制如何和何时：
  • 建立计算图
  • 初始化变量
  • 启动队列
  • 处理异常
  • 创建检查点文件并从失败中恢复
  • 保存TensorBoard的摘要

在使用Estimators编写应用程序时，必须将数据输入管道与模型分开。这种分离简化了使用不同数据集时的实验开销。

TensorFlow自带的Estimators

自带的Estimators使您能够在比基本TensorFlow API更高的概念层面上工作。由于Estimators为您处理所有麻烦的工作，您不必再担心创建计算图或会话的问题。也就是说，自带的Estimators直接为你创建和管理Graph、Session对象。此外，自带的Estimators让您只需进行最少的代码更改就可以尝试不同的模型架构。例如，DNNClassifier，这个自带的Estimator类通过密集的前馈神经网络训练分类模型。

自带的Estimators程序的结构

依赖自带Estimators的TensorFlow程序通常由以下四个步骤组成：

1. 编写一个或多个数据集导入功能。例如，您可以创建一个函数来导入训练集，另一个函数导入测试集。每个数据集导入函数都必须返回两个对象：

   • 一个字典，其中的键是特征名称和值是张量(Tensors或SparseTensors)包含相应特征数据
   • 包含一个或多个标签的张量

   例如，下面的代码演示了输入函数的基本框架：

   def input_fn(dataset):
      ...  # manipulate dataset, extracting feature names and the label
      return feature_dict, label
   

   (见导入数据了解有关详细信息。)

2. 定义特征列。tf.feature_column标识特征名称、类型以及任何输入的预处理。例如，以下片段创建三个保存整数或浮点数据的特征列。前两个特征列只是标识特征的名称和类型。第三个特征列还指定了一个lambda程序来缩放原始数据：

   # 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')
   

3. 实例化相关的自带Estimators。例如，下面是一个名为LinearClassifier自带Estimators的示例：

   # Instantiate an estimator, passing the feature columns.
   estimator = tf.estimator.Estimator.LinearClassifier(
       feature_columns=[population, crime_rate, median_education],
       )
   

4. 调用训练，评估或预测方法。例如，所有Estimators都提供了一个train方法，它训练一个模型。

   # my_training_set is the function created in Step 1
   estimator.train(input_fn=my_training_set, steps=2000)
   

TensorFlow自带的Estimators的好处

TensorFlow自带的Estimators包含最佳实践，提供以下好处：

• 确定计算图的不同部分应该在哪里运行的最佳实践，在单个机器或集群上实施策略。
• 事件(摘要)写入和普遍有用的摘要的最佳实践。

如果您不使用自带的Estimators，则必须自己实现上述功能。

自定义Estimators

每个Estimators的核心 – 无论是系统自带还是自定义 – 其核心都是模型函数，它是建立训练，评估和预测图的方法。当您使用自带的Estimators时，其他人已经实现了这些模型功能。当依靠自定义的Estimators时，您必须自己编写模型函数。Creating Estimators in tf.estimator解释如何编写模型函数。

推荐工作流程

我们推荐以下工作流程：

1. 假设存在一个合适的自带的Estimators，请使用它来构建您的第一个模型并使用其结果来建立基线。
2. 使用此自带的Estimators构建和测试您的整体流水线，包括数据的完整性和可靠性。
3. 如果有合适的可替代的自带的Estimators可用，运行实验以确定哪个自带的Estimators能够产生最佳结果。
4. 可能通过构建您自己的自定义Estimators来进一步改进您的模型。

从Keras模型创建Estimators

您可以将现有的Keras模型转换为Estimators。这样做可以使您的Keras模型获得Estimator的优势，例如分布式训练。调用tf.keras.estimator.model_to_estimator，按下例所示的方式：

# Instantiate a Keras inception v3 model.
keras_inception_v3 = tf.keras.applications.inception_v3.InceptionV3(weights=None)
# Compile model with the optimizer, loss, and metrics you'd like to train with.
keras_inception_v3.compile(optimizer=tf.keras.optimizers.SGD(lr=0.0001, momentum=0.9),
                          loss='categorical_crossentropy',
                          metric='accuracy')
# Create an Estimator from the compiled Keras model.
est_inception_v3 = tf.keras.estimator.model_to_estimator(keras_model=keras_inception_v3)
# Treat the derived Estimator as you would any other Estimator. For example,
# the following derived Estimator calls the train method:
est_inception_v3.train(input_fn=my_training_set, steps=2000)

更多详细信息，请参阅文档tf.keras.estimator.model_to_estimator。