政安晨：示例演绎TensorFlow的官方指南（二）{Estimator}

咱们接着演绎TensorFlow官方指南，我的这个系列的上一篇文章为：

政安晨：示例演绎TensorFlow的官方指南（一）{基础知识}https://blog.csdn.net/snowdenkeke/article/details/136067030为什么要演绎官方指南，我在上一篇说过了，这次没有废话，直接开始。

Estimator介绍

---

政安晨：

咱们先看一下Estimator的背景。

TensorFlow的Estimator API是一种高级的机器学习API，用于简化模型的训练、评估和推理过程。它提供了一种更加高层次的抽象，使开发者能够更加专注于模型的架构和数据流水线的设计，而不需要太多地关注底层的实现细节。

Estimator API提供了一套统一的接口，可以用于各种机器学习任务，如分类、回归、聚类等。它具有以下几个主要特点：

1. 封装了模型的训练、评估和推理过程，提供了一种简单且一致的方式来组织代码和配置模型。

2. 支持分布式训练，可以轻松地在多个GPU或多台机器上进行训练，以加速模型的训练过程。

3. 提供了一系列内置的模型，如线性模型、DNN模型、CNN模型等，可以根据任务的需求快速构建模型。

4. 可以使用预定义的特征列（feature columns）来处理和预处理输入数据，简化了数据准备的过程。

5. 可以使用高层的tf.data.Dataset API来读取和处理数据，使数据加载和预处理过程更加灵活和高效。

使用Estimator API时，需要定义一个Estimator对象，这个对象包含了模型的结构和参数。然后，通过调用Estimator对象的train()方法来训练模型，evaluate()方法来评估模型，predict()方法来进行预测。在训练模型时，可以通过tf.estimator.TrainSpec对象来指定训练数据的路径和其他相关参数。在评估模型时，可以通过tf.estimator.EvalSpec对象来指定评估数据的路径和其他相关参数。

总之，Estimator API提供了一种简单、灵活且高效的方式来构建、训练和评估机器学习模型，使开发者能够更加专注于模型的设计和业务逻辑。

---

这篇官方文档介绍了 tf.estimator，它是一种高级 TensorFlow API。Estimator 封装了以下操作：

• 训练
• 评估
• 预测
• 导出以供使用

您可以使用我们提供的预制 Estimator 或编写您自己的自定义 Estimator。所有 Estimator（无论是预制还是自定义）都是基于 tf.estimator.Estimator 类的类。

有关 API 设计概述，请参阅白皮书。

优势

与 tf.keras.Model 类似，estimator 是模型级别的抽象。tf.estimator 提供了一些目前仍在为 tf.keras 开发中的功能。包括：

• 基于参数服务器的训练
• 完整的 TFX 集成

---

政安晨：

为了后面的演绎，我们先设置一下环境：

---

Estimator 功能

Estimator 提供了以下优势：

• 您可以在本地主机上或分布式多服务器环境中运行基于 Estimator 的模型，而无需更改模型。此外，您还可以在 CPU、GPU 或 TPU 上运行基于 Estimator 的模型，而无需重新编码模型。
• Estimator 提供了安全的分布式训练循环，可控制如何以及何时进行以下操作：
  • 加载数据
  • 处理异常
  • 创建检查点文件并从故障中恢复
  • 保存 TensorBoard 摘要

在用 Estimator 编写应用时，您必须将数据输入流水线与模型分离。这种分离简化了使用不同数据集进行的实验。

预制 Estimator

使用预制 Estimator，您能够在比基础 TensorFlow API 高很多的概念层面上工作。您无需再担心创建计算图或会话，因为 Estimator 会替您完成所有“基础工作”。此外，使用预制 Estimator，您只需改动较少代码就能试验不同的模型架构。例如，tf.estimator.DNNClassifier 是一个预制 Estimator 类，可基于密集的前馈神经网络对分类模型进行训练。

预制 Estimator 程序结构

依赖于预制 Estimator 的 TensorFlow 程序通常包括以下四个步骤：

1. 编写一个或多个数据集导入函数。

例如，您可以创建一个函数来导入训练集，创建另一个函数来导入测试集。每个数据集导入函数必须返回以下两个对象：

• 字典，其中键是特征名称，值是包含相应特征数据的张量（或 SparseTensor）
• 包含一个或多个标签的张量

例如，以下代码展示了输入函数的基本框架：

def input_fn(dataset):     ...  # manipulate dataset, extracting the feature dict and the label     return feature_dict, label

---

政安晨：

数据框架其实是这样的，不知为何官方文档中没有给出？

def train_input_fn():titanic_file = tf.keras.utils.get_file("train.csv", "https://storage.googleapis.com/tf-datasets/titanic/train.csv")titanic = tf.data.experimental.make_csv_dataset(titanic_file, batch_size=32,label_name="survived")titanic_batches = (titanic.cache().repeat().shuffle(500).prefetch(tf.data.AUTOTUNE))return titanic_batches

执行如下：

---

2. 定义特征列。

每个 tf.feature_column 标识了特征名称、特征类型，以及任何输入预处理。例如，以下代码段创建了三个包含整数或浮点数据的特征列。前两个特征列仅标识了特征的名称和类型。第三个特征列还指定了一个会被程序调用以缩放原始数据的 lambda：

# 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. 实例化相关预制 Estimator。

例如，下面是对名为 LinearClassifier 的预制 Estimator 进行实例化的示例：

# Instantiate an estimator, passing the feature columns. estimator = tf.estimator.LinearClassifier(   feature_columns=[population, crime_rate, median_education])

4. 调用训练、评估或推断方法。

例如，所有 Estimator 都会提供一个用于训练模型的 train 方法。

# `input_fn` is the function created in Step 1 estimator.train(input_fn=my_training_set, steps=2000)

预制 Estimator 的优势

预制 Estimator 对最佳做法进行了编码，具有以下优势：

• 确定计算图不同部分的运行位置，以及在单台机器或集群上实施策略的最佳做法。
• 事件（摘要）编写和通用摘要的最佳做法。

如果不使用预制 Estimator，则您必须自己实现上述功能。

自定义 Estimator

每个 Estimator（无论预制还是自定义）的核心是其模型函数，这是一种为训练、评估和预测构建计算图的方法。当您使用预制 Estimator 时，已经有人为您实现了模型函数。当使用自定义 Estimator 时，您必须自己编写模型函数。

推荐工作流

1. 假设存在一个合适的预制 Estimator，用它构建您的第一个模型，并将其结果作为基准。
2. 使用此预制 Estimator 构建并测试您的整个流水线，包括数据的完整性和可靠性。
3. 如果有其他合适的预制 Estimator，可通过运行实验确定哪个预制 Estimator 能够生成最佳结果。
4. 如果可能，您可以通过构建自己的自定义 Estimator 进一步改进模型。

import tensorflow as tf

import tensorflow_datasets as tfds
tfds.disable_progress_bar()

从 Keras 模型创建 Estimator

您可以使用 tf.keras.estimator.model_to_estimator 将现有的 Keras 模型转换为 Estimator。这样一来，您的 Keras 模型就可以利用 Estimator 的优势，例如分布式训练。

实例化 Keras MobileNet V2 模型并用训练中使用的优化器、损失和指标来编译模型：

keras_mobilenet_v2 = tf.keras.applications.MobileNetV2(input_shape=(160, 160, 3), include_top=False)
keras_mobilenet_v2.trainable = Falseestimator_model = tf.keras.Sequential([keras_mobilenet_v2,tf.keras.layers.GlobalAveragePooling2D(),tf.keras.layers.Dense(1)
])# Compile the model
estimator_model.compile(optimizer='adam',loss=tf.keras.losses.BinaryCrossentropy(from_logits=True),metrics=['accuracy'])

政安晨执行：

从已编译的 Keras 模型创建 Estimator。Keras 模型的初始模型状态会保留在已创建的 Estimator中：

est_mobilenet_v2 = tf.keras.estimator.model_to_estimator(keras_model=estimator_model)

您可以像对待任何其他 Estimator 一样对待派生的 Estimator。

IMG_SIZE = 160  # All images will be resized to 160x160def preprocess(image, label):image = tf.cast(image, tf.float32)image = (image/127.5) - 1image = tf.image.resize(image, (IMG_SIZE, IMG_SIZE))return image, label

def train_input_fn(batch_size):data = tfds.load('cats_vs_dogs', as_supervised=True)train_data = data['train']train_data = train_data.map(preprocess).shuffle(500).batch(batch_size)return train_data

要进行训练，可调用 Estimator 的训练函数：

est_mobilenet_v2.train(input_fn=lambda: train_input_fn(32), steps=500)

同样，要进行评估，可调用 Estimator 的评估函数：

est_mobilenet_v2.evaluate(input_fn=lambda: train_input_fn(32), steps=10)

有关详细信息，请参阅 tf.keras.estimator.model_to_estimator 文档。

写在最后

其实这一篇中官方指南并不详尽，尤其是最后的训练部分，咱们补充了一些，但仍然存在缺失，我将在后续的文章中以实际项目为例，详细演绎。