Tensorflow Estimators

这篇文章介绍tf.estimator,一个高级TensorFlow API，可以极大简化机器学习编程。Estimators封装了下面几个活动。

训练
评估
预测
出口服务(export for serving)

可以使用tensorflow中自带的Estimators，也可以自定义Estimators。所有的Estimators,都继承自tf.estimator.Estimator类。

1. Estimators的优点

可以在分布式多服务器环境下，无需修改代码运行基于Estimator的模型。可以运行Estimator-based模型在CPUs,GPUs, TPUs，无需重新编码模型。
简化了模型开发者间的共享实现。
开发高级的直观的代码。比使用低级API容易。
Estimators建立在tf.keras.layers,简化了自定义。
Estimators为你建立图
Estimators提供一个安全的分布式训练循环，控制如何和何时 1）建立图 2）初始变量 3）加载数据 4）处理异常 5）生成检查点文件和从错误中恢复 6）保存TensorBoard需要的summaries

当使用Estimators时,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上的实验。

2. Pre-made Estimators

pre-made Estimators生成和管理tf.graph和tf.Session。并且只需要作出很小的代码改动，就能实验各种模型结构。下面以一个基于全链接，前馈神经网络训练分类模型为例。

pre-made Estimators 程序的结构

包含下面四个步骤：

1. 写一个或多个数据集导入函数。你肯呢个会生成一个函数用来导入训练集，另一个函数导入测试集。每个数据集导入函数必须包含两个对象：1）一个字典，keys是特征名，values是Tensors(或 Sparse Tensors)包含对应的特征数据。2）一个Tensor，包含一个或多个标签

代码的基本骨架如下：

def input_fn(dataset):

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

   return feature_dict, label

2.定义特征列。每个tf.feature_column识别一个特征名，它的类型和任何输入预处理。下面的代码段生成三个特征列。前来那个个特征那个列简单地识别特征名和类型。第三个特征那个列指定一个lambda程序，伸缩原始数据。

# 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.实例化相关pre-made Estimator.

# Instantiate an estimator, passing the feature columns.

estimator = tf.estimator.LinearClassifier(

    feature_columns=[population, crime_rate, median_education],

    )

4.调用训练，评估，或预测方法。

# my_training_set is the function created in Step 1

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

3. 自定义Estimators

无论是pre-made还是自定义Estimators,核心都是模型函数（建立图，用于训练，评估和预测），pre-made Estimators已经实现了这些。自定义Estimators需要自己实现。

4. 从Keras模型中生成Estimators

可以将存在的Keras模型转换成Estimators。这样可以使你的Keras模型拥有Estimator的优势，比如分布式训练。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,

# 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)