tf.estimator Quickstart解读
https://www.tensorflow.org/get_started/estimator
把代码拷下来，放到eclipse的环境中，并不能编译成功。
主要改为两个地方：
第一：升级了下tensorflow的版本，由1.2升到了1.3，tensorflow升级比较快。
第二：import urllib改为 import urllib.request，代码中用到urllib的地方也改为urllib.request，毕竟这是window7的python3.5的版本。
第三：把open的方式由“w”改为“wb”
跑出的结果：
Test Accuracy: 0.966667
New Samples, Class Predictions: [array([b'1'], dtype=object), array([b'2'], dtype=object)]
同时当前文件并列的，会下到iris_training.csv和iris_test.csv。当然你至少得访问到tensorflow的官网。
下面假设你已成功跑完，简单过一下代码。代码参见https://www.tensorflow.org/get_started/estimator
打开iris_training.csv看看，只有120个样本，就能到96.6%的水平，不错啊。
测试样本30个。
样本来自3类植物，长得倒很象。每类50个样本。样本被打乱。
Iris setosa,
Iris virginica,
Iris versicolor.
csv的表头具有迷惑性，不看网页很容易不解。其实，csv的五列与表头没啥关系。这五列真正的表头是：
萼片长，萼片宽，花瓣长，花瓣宽，类别。
类别是上面三类Iris，分别用0，1，2表示。
注意csv的头有固定的格式，第一个数指120个样本，第二个数指4个特征(features)，这两个东西在load_csv_with_header方法中会用来构造shape.
training_set = tf.contrib.learn.datasets.base.load_csv_with_header(......)
training_set通过load_csv_with_header加载后，training_set.data放特征数据，training_set.target放预测值。这个概念后面会用。
Estimator: 预定义的模型。
下面构造模型：
feature_columns = [tf.feature_column.numeric_column("x", shape=[4])]
‘x’是key，因为表中有萼片长，萼片宽等四个特征，所以shape为[4].
# Build 3 layer DNN with 10, 20, 10 units respectively.
classifier = tf.estimator.DNNClassifier(feature_columns=feature_columns,
hidden_units=[10, 20, 10],
n_classes=3,
model_dir="/tmp/iris_model")
feature_columns=feature_columns:四个特征列。
hidden_units=[10, 20, 10]：三个隐藏层，神经元个数分别为10个，20个，10个。
n_classes=3：3类植物
model_dir=/tmp/iris_model：指定一个目录，用来存放检查点。
用estimator显然比原来那个mnist_deep.py的代码少多了，几个参数一装配，欧了。
# Define the training inputs
train_input_fn = tf.estimator.inputs.numpy_input_fn(
x={"x": np.array(training_set.data)},
y=np.array(training_set.target),
num_epochs=None,
shuffle=True)
这里有个小知识，提一下：
epochs指训练过程中数据将被“轮”多少次，train时没指定，但test_input_fn时它指定了1次。
例子：样本量为1000，batchsize=100，经过10个批次，就完成1个epochs（一轮）。
定义训练参数的输入管道，不然train时没参数。
classifier.train(input_fn=train_input_fn, steps=2000)
使用classifier这个模型和csv的数据训练。这个方法不太好跟踪训练过程，后面会介绍SessionRunHook，这个以后再说。
classifier自带evaluate方法。当然，即然有train方法，当然会有evaluate方法。好人做到底，送佛送到西了。
下一句：accuracy_score = classifier.evaluate(input_fn=test_input_fn)["accuracy"]
想看下evaluate返回的dict到底有些啥东西，所以在这句之前加一句：
tmp = classifier.evaluate(input_fn=test_input_fn);
做个断点看看，结果tmp为：
dict: {'loss': 2.3112736, 'average_loss': 0.077042453, 'accuracy': 0.96666664, 'global_step': 8000}
accuracy_score不过把accuracy拿出来了。如有需要，还可以看看字段的。
再后面，给个两个临时样本：
[[6.4, 3.2, 4.5, 1.5],[5.8, 3.1, 5.0, 1.7]
看看属于哪类植物。
此时classifier经过了train和test，我们认为它可以出山啦。并且它自带一个predict方法，三个阶段分得很清楚嘛。
predictions = list(classifier.predict(input_fn=predict_input_fn))
predictions运算完成后内部是这样的：
<class 'list'>:
[{'class_ids': array([1], dtype=int64), 'classes': array([b'1'], dtype=object), 'logits': array([-5.04032564, 6.55079699, -7.03252172], dtype=float32), 'probabilities': array([ 9.24772212e-06, 9.99989390e-01, 1.26134830e-06], dtype=float32)},
{'class_ids': array([1], dtype=int64), 'classes': array([b'1'], dtype=object), 'logits': array([-10.27748394, 1.46430922, 0.92295957], dtype=float32), 'probabilities': array([ 5.02812372e-06, 6.32123172e-01, 3.67871851e-01], dtype=float32)}]
下面这句就好理解了：
predicted_classespredicted_classes = [p["classes"] for p in predictions]
小结：
tf.estimator就是已经预定义好的模型，自带train，test，predict全套装备。只要配合tf.estimator.inputs.numpy_input_fn，把数据导进去，装备好其它需要的参数，开包即用。
这个模型的对于[5.8, 3.1, 5.0, 1.7]这个样本，官网结果为2,但我跑出来大部分时间是1，有时为2。比较无语。
https://www.tensorflow.org/get_started/estimator
把代码拷下来，放到eclipse的环境中，并不能编译成功。
主要改为两个地方：
第一：升级了下tensorflow的版本，由1.2升到了1.3，tensorflow升级比较快。
第二：import urllib改为 import urllib.request，代码中用到urllib的地方也改为urllib.request，毕竟这是window7的python3.5的版本。
第三：把open的方式由“w”改为“wb”
跑出的结果：
Test Accuracy: 0.966667
New Samples, Class Predictions: [array([b'1'], dtype=object), array([b'2'], dtype=object)]
同时当前文件并列的，会下到iris_training.csv和iris_test.csv。当然你至少得访问到tensorflow的官网。
下面假设你已成功跑完，简单过一下代码。代码参见https://www.tensorflow.org/get_started/estimator
打开iris_training.csv看看，只有120个样本，就能到96.6%的水平，不错啊。
测试样本30个。
样本来自3类植物，长得倒很象。每类50个样本。样本被打乱。
Iris setosa,
Iris virginica,
Iris versicolor.
csv的表头具有迷惑性，不看网页很容易不解。其实，csv的五列与表头没啥关系。这五列真正的表头是：
萼片长，萼片宽，花瓣长，花瓣宽，类别。
类别是上面三类Iris，分别用0，1，2表示。
注意csv的头有固定的格式，第一个数指120个样本，第二个数指4个特征(features)，这两个东西在load_csv_with_header方法中会用来构造shape.
training_set = tf.contrib.learn.datasets.base.load_csv_with_header(......)
training_set通过load_csv_with_header加载后，training_set.data放特征数据，training_set.target放预测值。这个概念后面会用。
Estimator: 预定义的模型。
下面构造模型：
feature_columns = [tf.feature_column.numeric_column("x", shape=[4])]
‘x’是key，因为表中有萼片长，萼片宽等四个特征，所以shape为[4].
# Build 3 layer DNN with 10, 20, 10 units respectively.
classifier = tf.estimator.DNNClassifier(feature_columns=feature_columns,
hidden_units=[10, 20, 10],
n_classes=3,
model_dir="/tmp/iris_model")
feature_columns=feature_columns:四个特征列。
hidden_units=[10, 20, 10]：三个隐藏层，神经元个数分别为10个，20个，10个。
n_classes=3：3类植物
model_dir=/tmp/iris_model：指定一个目录，用来存放检查点。
用estimator显然比原来那个mnist_deep.py的代码少多了，几个参数一装配，欧了。
# Define the training inputs
train_input_fn = tf.estimator.inputs.numpy_input_fn(
x={"x": np.array(training_set.data)},
y=np.array(training_set.target),
num_epochs=None,
shuffle=True)
这里有个小知识，提一下：
epochs指训练过程中数据将被“轮”多少次，train时没指定，但test_input_fn时它指定了1次。
例子：样本量为1000，batchsize=100，经过10个批次，就完成1个epochs（一轮）。
定义训练参数的输入管道，不然train时没参数。
classifier.train(input_fn=train_input_fn, steps=2000)
使用classifier这个模型和csv的数据训练。这个方法不太好跟踪训练过程，后面会介绍SessionRunHook，这个以后再说。
classifier自带evaluate方法。当然，即然有train方法，当然会有evaluate方法。好人做到底，送佛送到西了。
下一句：accuracy_score = classifier.evaluate(input_fn=test_input_fn)["accuracy"]
想看下evaluate返回的dict到底有些啥东西，所以在这句之前加一句：
tmp = classifier.evaluate(input_fn=test_input_fn);
做个断点看看，结果tmp为：
dict: {'loss': 2.3112736, 'average_loss': 0.077042453, 'accuracy': 0.96666664, 'global_step': 8000}
accuracy_score不过把accuracy拿出来了。如有需要，还可以看看字段的。
再后面，给个两个临时样本：
[[6.4, 3.2, 4.5, 1.5],[5.8, 3.1, 5.0, 1.7]
看看属于哪类植物。
此时classifier经过了train和test，我们认为它可以出山啦。并且它自带一个predict方法，三个阶段分得很清楚嘛。
predictions = list(classifier.predict(input_fn=predict_input_fn))
predictions运算完成后内部是这样的：
<class 'list'>:
[{'class_ids': array([1], dtype=int64), 'classes': array([b'1'], dtype=object), 'logits': array([-5.04032564, 6.55079699, -7.03252172], dtype=float32), 'probabilities': array([ 9.24772212e-06, 9.99989390e-01, 1.26134830e-06], dtype=float32)},
{'class_ids': array([1], dtype=int64), 'classes': array([b'1'], dtype=object), 'logits': array([-10.27748394, 1.46430922, 0.92295957], dtype=float32), 'probabilities': array([ 5.02812372e-06, 6.32123172e-01, 3.67871851e-01], dtype=float32)}]
下面这句就好理解了：
predicted_classespredicted_classes = [p["classes"] for p in predictions]
小结：
tf.estimator就是已经预定义好的模型，自带train，test，predict全套装备。只要配合tf.estimator.inputs.numpy_input_fn，把数据导进去，装备好其它需要的参数，开包即用。
这个模型的对于[5.8, 3.1, 5.0, 1.7]这个样本，官网结果为2,但我跑出来大部分时间是1，有时为2。比较无语。
