Tensorflow.Estimators学习笔记(1) - 介绍

最新推荐文章于 2021-03-17 17:20:50 发布

jiangkui007

最新推荐文章于 2021-03-17 17:20:50 发布

阅读量1.6k

点赞数 1

分类专栏： tf 文章标签： tensorflow estimator

tf 专栏收录该内容

2 篇文章

订阅专栏

本文深入探讨了TensorFlow的Estimators API，一种高级抽象工具，用于简化机器学习模型的构建、训练和评估过程。Estimators支持本地和分布式环境运行，提供模型共享便利，简化模型定制，并自动进行可视化。文章详细介绍了预制和定制Estimators的工作流程，以及如何从Keras模型创建Estimators。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Tensorflow.Estimators学习笔记 - 介绍

一、简介

estimators是tensorflow的机器学习高阶API：
包括四个部分：
1.1、训练
1.2、评估
1.3、预测
1.4、服务导出
该api基于类：tf.estimator.Estimator.

二、优势

estimator有以下优势：
2.1、基于estimator的模型既可以在本地运行，也可以在分布式环境中运行，可以不修改代码同时在CPU、TPU、GPU服务器上运行
2.2、轻便的实现模型开发者之间的共享
2.3、更简单的时间模型
2.4、estimator是简化订制在tf.layers
2.5、自动图像化
2.6、提供安全的训练循环：·图像化、·内置变量、·启动队列、·异常管理、·从错误中创建和删除测点文件

三、pre-made(预制)

预制能够让开发者从更高层面工作。预制estimator为开发者创造和管理图和会话对象。
3.1、预制estimators程序结构
3.1.1 写一个或多个数据集导入函数（返回一个特征数据字典、一个包含标签的tensor）

def input_fn(dataset):

   ...  # manipulate dataset, extracting the feature dict and the label

   return feature_dict, label

3.1.2 定义特征列
每一个tf.feature_column定义特征名、类型和任何输入预处理，举三个例子：

#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)

3.1.3 实例化预制estimator
举 LinearClassifier的例子：

#Instantiate an estimator, passing the feature columns.

estimator = tf.estimator.LinearClassifier(

    feature_columns=[population, crime_rate, median_education],

    )

3.1.4调用训练、评价、生成方法：
举train方法：

#my_training_set is the function created in Step 1

estimator.train(input_fn=my_training_set, steps=2000)

3.2、预制评估器的优势
指明计算图在计算机和计算集群中何处运行的最佳实践
普遍有用的事件总结最佳实践

四、订制评估器

订制评估器和预制评估器的核心，都是模型函数。

五、工作流推荐

5.1 假设合适的预制评估器存在，用它来构造第一个模型并建立基准线
5.2 构造和测试全局管道，包括对这个预制评估器的数据完整性和可靠性
5.3 对预制评估器做适当的修改，使他能够产生最佳结果
5.4 如果可以的话，建立自己的模型

六、从Keras models建立评估器

举例调用tf.keras.estimator.model_to_estimator：

 #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']
#Once we have the input name(s), we can create the input function, for example,
#or 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)
...