參考文章：評估器 tf.estimator

文章目錄

• • 評估器
  • • 使用評估器的優勢
    • 預定義的評估器
    • • 預定義評估器的程序結構
      • 預定義評估器的好處
    • 自定義評估器
    • 推薦的工作流
    • 從 Keras 模塊中創建評估器

評估器

tf.estimator

• 訓練
• 評估
• 預測
• 作為服務導出

tf.estimator.Estimator

tf.contrib.learn.Estimator

使用評估器的優勢

評估器可以為我們帶來以下幾點好處：

• 基于評估器的模型可以運行在單機上，也可以運行在分布式的多臺服務器環境上并且不需要做任何修改。更棒的是，你還可以將基于評估器的模型運行在 CPUs，GPUs 或者 TPUs 上。
• 評估器簡化了模型開發人員內部共享的實現。
• 你可以用高級的直觀的代碼編寫某種狀態的藝術模型。簡而言之，使用評估器通常會比使用 TensorFlow 的低級 API 更加簡捷。
• 評估器是建立在 tf.layers 上的，簡化了自定義的內容。
• 評估器已經為你構建了圖表。換句話說，你不需要構建圖表了。
• 評估器提供了一個安全的分布式訓練的循環，能夠控制以下操作的運行時間和運行方式：
  1、創建圖表
  2、初始化變量
  3、啟動隊列
  4、處理異常
  5、創建校驗文件和錯誤恢復
  6、儲存給 TensorBoard 展示的數據

當你用評估器寫應用時，你必須將數據輸入管道和模型分開。這種分離簡化了不同數據集的實驗。

預定義的評估器

tf.estimator.DNNClassifier

預定義評估器的程序結構

基于預定義評估器的程序一般包含下面四步：

編寫一個或多個數據集的導入函數。舉個例子，你可能會創建兩個函數，一個用于導入訓練數據，另一個用于導入測試數據。每一個數據集的導入函數都會返回下面兩個對象：
1）一個字典，它的 key 是特征名，而 values 是對應的張量（或者是稀疏張量），張量里面包含了對應的特征數據。
2）一個張量，它包含了一個或多個標簽。
舉個例子，下面的代碼是一個輸入函數的基本框架：

def input_fn(dataset):... # 操作數據集，提取特征名稱和標簽return feature_dict, label

數據導入

tf.feature_column

# 定義三個數值類型的特征列 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')

實例化相關的預定義評估器。舉個例子，下面有一個 LinearClassifier 評估器的實例化的代碼：

estimator = tf.estimator.Estimator.LinearClassifier(feature_columns=[population, crime_rate, median_education], )

調用訓練，評估和推斷的方法。
譬如說，所有的評估器都提供了 train 方法，它可以用來訓練模型。

# my_training_set 是在第一步中創建的函數 estimator.train(input_fn=my_training_set, steps=2000)

預定義評估器的好處

預定義評估器是編碼的最佳實踐，它有下面兩點好處：

• 單機或者集群上運行時，計算圖的哪部分應該在哪里運行和其實現策略的最佳實踐。
• 事件記錄和通用內容摘要的最佳實踐。

如果你不使用預定義的評估器，那么你需要自己實現上面所說到的功能。

自定義評估器

創建定制化 Estimator

推薦的工作流

我們推薦的工作流程（workflow）如下：

假設存在一個合適的評估器，使用它來構建你的第一個模型，并以這個模型的結果作為基準。

使用當前的預定義評估器構建、測試你所有的管道，包括數據的完整性和可靠性。

如果存在可選的預定義評估器，可以對這幾個評估器做實驗，從中選擇一個能夠產生最好結果的評估器。

或許，可以通過構建你自己的評估器來進一步提升模型的效果。

從 Keras 模塊中創建評估器

tf.keras.estimator.model_to_estimator

# 實例化一個 kera inception v3 模型。 keras_inception_v3 = tf.keras.applications.inception_v3.InceptionV3(weights=None) # 定義好用來訓練模型使用的優化器，損失和評價指標，然后再編譯它 keras_inception_v3.compile(optimizer=tf.keras.optimizers.SGD(lr=0.0001, momentum=0.9),loss='categorical_crossentropy',metric='accuracy') # 從已編譯的 Keras 模型中創建一個評估器，注意，keras 模型的初始狀態會被保存在這個評估器中。 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: # 像處理其他評估器一樣處理派生評估器。 # 首先，恢復 Keras 模型的輸入名稱，這樣就可以將它們當做評估器數去函數的特征列名： keras_inception_v3.input_names # print out: ['input_1'] # 一旦有了輸入名稱，就可以創建輸入函數，例如，對于 numpy ndarray 格式的輸入： train_input_fn = tf.estimator.inputs.numpy_input_fn(x={"input_1": train_data},y=train_labels,num_epochs=1,shuffle=False) # 需要進行訓練時，調用評估器的訓練函數： est_inception_v3.train(input_fn=train_input_fn, steps=2000)

注意，Keras 評估器的特征列和標簽的名稱來自相應的已編譯 Keras 模型。例如上面的 train_input_fn 的輸入鍵值可以從 keras_inception_v3.input_names 獲取，類似地，預測的輸出名稱可以從 keras_inception_v3.output_names 獲得。

tf.keras.estimator.model_to_estimator

總結

以上是生活随笔為你收集整理的tensorflow教程 开发者指南——评估器 estimator（tensorflow官方推荐使用的编程API）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。