关于TensorFlow中Estimator模板的基础理解与使用流程

理解

在TensorFlow 1.4版本之后，官方开始在入门文档中就鼓励使用高层的Estimator API。并且，许多开源代码中也使用了Estimator模板，因此我认为掌握好这个类使用方法，对于能够优雅地书写Tensorflow程序有着重要的意义。

什么是Estimator？在这里先不考虑源码实现细节以及类定义，首先建立一个整体的认识。Estimator，估计器，这个类的核心思想就是把一个网络封装起来，使用类方法中的train、eval、predict等等进行操作。具体的网络细节对于这个类的运行者来说是一个黑盒，只需要提供输入，选择相应的方法，就可以获得输出。

另外，TensorFlow中对于Estimator，不仅有预设好的对象可以直接生成，还可以自己定义。通俗的讲就是使用预先写好的网络框架（例如DNN）还是用户自定义的网络结构。当然了，预先写好的网络框架也不是死的，具体的隐层数目等等参数都是可以在初始化的时候进行设置的。预定义好的Estimator在大部分文档中被称作pre(made) Estimator，具体包含哪些类型的分类器，可以查看这一部分的文档。

Estimator类的主要结构如下，看不明白也没有关系，我们先关注初步的流程框架。需要重点注意的就是其中的model_fn函数，你会在接下来的使用流程中看到这个函数的作用。

基本使用流程

1. 首先定义特征列(feature_columns)。这个是之后在Estimator对象初始化时需要接收的必要参数

		my_feature_columns = []
		for key in train_x.keys():
			my_feature_columns.append(
               	tf.feature_column.numeric_column(key=key))

2. 之后初始化Estimator对象。这里分为两种情况：

   a）如果是使用预定义的Estimator（例如DNNClassifier）则可以直接调用其初始化函数。

		classifier = tf.estimator.DNNClassifier(
			    feature_columns=my_feature_columns,
			    hidden_units=[10, 10],
			    n_classes=3)

b) 如果自定义Estimator（意味着自定义的模型），则首先需要定义model_fn函数，描述模型细节，之后将model_fn与其他params一起传入Estimator的初始化函数中。

		classifier = tf.estimator.Estimator(
		        model_fn=my_model,
		        params={
		            'feature_columns': my_feature_columns,
		            'hidden_units': [10, 10],
		            'n_classes': 3,
		        })

其中params字典中的值将会被传入model_fn中用于定义自定义的模型。

前后进行对比，很容易看出两者的区别和共同点。相比之下，可以说自定义的模型比预设的模型多了一层壳，多传了一次参数。

3. 调用Esitimator对象中的train、evaluate等方法得到结果

	# train the model
	classifier.train(
	        input_fn=lambda:iris_data.train_input_fn(
	                         train_x, train_y, args.batch_size),
	        steps=args.train_steps)
	
	# evalute the model
	eval_result = classifier.evaluate(
	        input_fn=lambda:iris_data.eval_input_fn(
	                         test_x, test_y, args.batch_size))