TensorFlow 版本：1.10.0 > Guide > Introduction to Estimators
Estimator 概述
本篇將介紹 TensorFlow 中的 Estimators（可極大簡化機器學習編程過程）。Estimators 中封裝了以下幾部分：
- 訓練（training）
- 評估（evaluation）
- 預測（prediction）
- 輸出模型（export for serving）
我們既可以使用內置 Estimator，也可以編寫自定義 Estimator。
注意：TensorFlow 中的
tf.contrib.learn.Estimator已經棄用了，請不要使用該 API。
文章目錄
1. Estimator 的優勢
Estimator 有以下優勢：
- 對分佈式的良好支持（不需要更改代碼）。
- 有利於模型開發者之間的代碼分享。
- 簡化了模型的創建工作。
- Estimator 建立在 `tf.layers` 上，這簡化了自定義 Estimator 的編寫。
- Estimator 會爲你創建 graph。
Estimator 提供了一個安全的分佈式訓練環境，其會幫我們控制這麼、何時去：
- 建立 graph。
- 初始化 variables。
- 開始 queues。
- 處理 exceptions。
- 創建 checkpoint 文件，從失敗中恢復訓練。
- 保存 summaries for TensorBoard。
當用 Estimator 編寫一個 application，你必須將 input pipeline 和 model 分開。這種分離簡化了在不同數據集上的 experiments。
2. 內置的 Estimator
內置的 Estimator 使得你可以在更高層面思考問題。內置的 Estimator 會爲你創建、管理 Graph 和 Session 對象。另外，內置的 Estimator 使你可以在最小的代碼修改量的情況下實驗不同的模型結構。
2.1 基於內置 Estimator 的程序的結構
使用內置 Estimator 的 TF 程序一般包含以下四步：
編寫一個或多個數據集導入函數。 例如：創建一個函數來導入訓練數據集，另一個函數來導入測試數據集。每一個數據集導入函數必須返回兩個對象：
- 一個字典。字典的鍵名爲特徵的名字，鍵值爲 表示特徵數據的 Tensor 或 Sparse Tensor。
- 一個 Tensor。該 Tensor 包含一個或多個 label。
例如，下面的代碼說明了 input function 的基本框架：
def input_fn(dataset): ... # manipulate dataset, extracting the feature dict and the label return feature_dict, label(更多細節詳見 Importing Data。)
定義 feature columns。每一個
tf.feature_column定義了一個 feature 的名字、類型、預處理。例如，下面的代碼片段定義了三個 feature columns 來 Hold 整數、浮點 類型的數據。前兩個 feature columns 只是簡單的定義了特徵的名字和類型。第三個 feature column 還使用了一個 lambda 函數來縮放原始數據：# 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)實例化相應的內置 Estimator。 例如，實例化一個
LinearClassifier：# Instantiate an estimator, passing the feature columns. estimator = tf.estimator.LinearClassifier( feature_columns=[population, crime_rate, median_education], )調用一個 training、evaluation、inference 方法。例如，所有的 Estimator 提供了一個
train方法來訓練一個模型。# my_training_set is the function created in Step 1 estimator.train(input_fn=my_training_set, steps=2000)
2.2 內置 Estimator 的好處
內置 Estimator 的代碼實現是最好的，另外其提供了以下好處：
- 對於分佈式的支持是最好的。
- 保存 summaries 的保存策略是最好的。
如果你不使用內置 Estimator，你必須自己編寫自定義函數來實現上面的特性。
3. 編寫自定義 Estimator
Estimator 的核心是 model function，該函數負責 training、evaluation、prediction 計算圖的建立。我們在另一個文檔介紹了自定義 Estimator 的方法。
4. 推薦的工作流程
我們推薦的工作流程如下：
- 如果有合適的內置 Estimator，用它來作爲你的第一個模型，將其結果作爲一個基線。
- 基於內置 Estimator 建立、測試整個輸入 pipeline（數據的完整性、可靠性）。
- 如果有更好的內置 Estimator 可用，可以根據實驗的結果來確定哪個內置 Estimator 更合適。
- 可能的話，通過編寫自定義 Estimator 來進一步提高模型性能。
5. 從 Keras 模型創建 Estimator
Keras 模型可以轉換爲 Estimator。這使得你的 Keras 模型能夠利用 Estimator 的優勢（比如：分佈式訓練）。轉換通過 tf.keras.estimator.model_to_estimator 完成。
# 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. Note the initial model
# state of the keras model is preserved in the created Estimator.
est_inception_v3 = tf.keras.estimator.model_to_estimator(keras_model=keras_inception_v3)
# Treat the derived Estimator as you would with any other Estimator.
# First, recover the input name(s) of Keras model, so we can use them as the
# feature column name(s) of the Estimator input function:
keras_inception_v3.input_names # print out: ['input_1'] >>>>>>> Very Important <<<<<<<
# Once we have the input name(s), we can create the input function, for example,
# for input(s) in the format of numpy ndarray:
train_input_fn = tf.estimator.inputs.numpy_input_fn(
x={"input_1": train_data},
y=train_labels,
num_epochs=1,
shuffle=False)
# To train, we call Estimator's train function:
est_inception_v3.train(input_fn=train_input_fn, steps=2000)
注意：由 keras 轉換來的 estimator 的 feature columns 和 labels 的 name 要與 keras 模型輸入輸出的 name 保持一致。