Estimator

这篇文档介绍的 tf.estimator 是一个高级的 TensorFlow API，它极大的简化了机器学习编程工作。Estimator 封装了如下行为：

训练
评估
预测
作为服务导出

你可以使用我们预定义好的 Estimator，也可以自己写一个 Estimator。但无论预定义的还是自定义的 Estimator 都继承自 tf.estimator.Estimator 类。

想要快速示例（quick example），请看 [Estimator 教程]](../tutorials/estimators/linear)。想深入查看每个子主题，请查看 Estimator 指南。

注意：TensorFlow 还包含了一个已经被弃用的 Estimator 类 tf.contrib.learn.Estimator，我们不要去使用它。

使用 Estimator 的优势

Estimator 可以为我们带来以下几点好处：

基于 Estimator 的模型可以运行在单机上，也可以运行在分布式的多台服务器环境上并且不需要做任何修改。更棒的是，你还可以将基于 Estimator 的模型运行在 CPUs，GPUs 或者 TPUs 上。
Estimator 简化了模型开发人员内部共享的实现。
你可以用高级的直观的代码编写某种状态的艺术模型。简而言之，使用 Estimator 通常会比使用 TensorFlow 的低级 API 更加简捷。
Estimator 是建立在 tf.keras.layers 上的，简化了自定义的内容。
Estimator 已经为你构建了图表。
Estimator 提供了一个安全的分布式训练的循环，能够控制以下操作的运行时间和运行方式：
- 创建图表
- 初始化变量
- 加载数据
- 处理异常
- 创建校验文件和错误恢复
- 储存给 TensorBoard 展示的数据

当你用 Estimator写应用时，你必须将数据输入管道和模型分开。这种分离简化了不同数据集的实验。

预定义的 Estimator

比起 TensorFlow 的低级 API，预定义的 Estimator 可以让你在更高抽象的层面上工作。你不再需要操心的创建计算图和会话，因为 Estimator 已经帮你把这一切都串通好了。也就是说，预定义的 Estimator 已经帮你创建和管理 tf.Graph 和 tf.Session 对象。甚至，预定义的 Estimator 可以让你修改最少的代码来试验不同的模型架构。譬如 tf.estimator.DNNClassifier 就是一个预定义的 Estimator，它可以训练密集的前向传递神经网络分类模型。

预定义 Estimator 的程序结构

基于预定义 Estimator 的程序一般包含下面四步：

**编写一个或多个数据集的导入函数。**举个例子，你可能会创建两个函数，一个用于导入训练数据，另一个用于导入测试数据。每一个数据集的导入函数都会返回下面两个对象：
- 一个字典，它的 key 是特征名，而 values 是对应的张量（或者是稀疏张量），张量里面包含了对应的特征数据。
- 一个张量，它包含了一个或多个标签。
举个例子，下面的代码是一个输入函数的基本框架：
python
```
def input_fn(dataset):
	... # 操作数据集，提取特征字典和标签
	return feature_dict, label
```
更多的细节，请看导入数据。
**定义特征列。**每一个 tf.feature_column 定义了特征的名字、类型或者各种输入预处理函数。举个例子，下面的代码片段创建了三个特征列，它们的类型是整形或者浮点型。前面两个特征列简单的标识了它们的名称和类型。第三个特征则定义了一个 lambda 表达式来对原始数据做转换：
python
```
# 定义三个数值类型的特征列
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)
```
**实例化相关的预定义 Estimator。**举个例子，下面有一个 LinearClassifier Estimator 的实例化的代码：
python
```
estimator = tf.estimator.LinearClassifier(
  feature_columns=[population, crime_rate, median_education],
)
```
调用训练，评估和推断的方法。 譬如说，所有的 Estimator 都提供了 train 方法，它可以用来训练模型。
python
```
# my_training_set 是在第一步中创建的函数
estimator.train(input_fn=my_training_set, steps=2000)
```

预定义 Estimator 的好处

预定义 Estimator 是编码的最佳实践，它有下面两点好处：

单机或者集群上运行时，计算图的哪部分应该在哪里运行和其实现策略的最佳实践。
事件记录和通用内容摘要的最佳实践。

如果你不使用预定义的 Estimator，那么你需要自己实现上面所说到的功能。

自定义 Estimator

预定义和自定义 Estimator 的核心是模型函数，它可以用来构建训练、评价和预测的图表。当你使用预定义 Estimator 时，里面已经实现了模型函数了。但是当你要使用自定义 Estimator 时，你就要自己编写模型函数。Companion document 描述了编写模型函数的方法。

从 Keras 模块中创建 Estimator

你可以将 Keras 模型转换成 Estimator。这样 Keras 模型就可以利用到 Estimator 的优点了，譬如分布式训练。可以如下例所示调用 tf.keras.estimator.model_to_estimator：

python

# 实例化一个 kera inception v3 模型。
keras_inception_v3 = tf.keras.applications.inception_v3.InceptionV3(weights=None)
# 定义好用来训练模型使用的优化器，损失和评价指标，然后再编译它
keras_inception_v3.compile(optimizer=tf.keras.optimizers.SGD(lr=0.0001, momentum=0.9),
                          loss='categorical_crossentropy',
                          metric='accuracy')
# 从已编译的 Keras 模型中创建一个 Estimator，注意，keras 模型的初始状态会被保存在这个 Estimator 中。
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:
# 像处理其他 Estimator 一样处理派生 Estimator。
# 首先，恢复 Keras 模型的输入名称，这样就可以将它们当做 Estimator 数去函数的特征列名：
keras_inception_v3.input_names  # print out: ['input_1']
# 一旦有了输入名称，就可以创建输入函数，例如，对于 numpy ndarray 格式的输入：
train_input_fn = tf.estimator.inputs.numpy_input_fn(
    x={"input_1": train_data},
    y=train_labels,
    num_epochs=1,
    shuffle=False)
# 需要进行训练时，调用 Estimator 的训练函数：
est_inception_v3.train(input_fn=train_input_fn, steps=2000)

注意，Keras Estimator 的特征列和标签的名称来自相应的已编译 Keras 模型。例如上面的 train_input_fn 的输入键值可以从 keras_inception_v3.input_names 获取，类似地，预测的输出名称可以从 keras_inception_v3.output_names 获得。

想要了解更多的细节，请查阅 tf.keras.estimator.model_to_estimator。

Estimator ​

使用 Estimator 的优势 ​

预定义的 Estimator ​

预定义 Estimator 的程序结构 ​

预定义 Estimator 的好处 ​

自定义 Estimator ​

推荐的工作流 ​

从 Keras 模块中创建 Estimator ​