参考这篇文章：
https://blog.csdn.net/shuibuzhaodeshiren/article/details/88648517
《如何使用TensorFlow中的高级API：Estimator、Experiment和Dataset》
《Higher-Level APIs in TensorFlow》的文章，通过实例详细介绍了如何使用 TensorFlow 中的高级 API（Estimator、Experiment 和 Dataset）训练模型。值得一提的是 Experiment 和 Dataset 可以独立使用。这些高级 API 已被最新发布的 TensorFlow1.3 版收录。
TensorFlow 中有许多流行的库，如 Keras、TFLearn 和 Sonnet，它们可以让你轻松训练模型，而无需接触哪些低级别函数。目前，Keras API 正倾向于直接在 TensorFlow 中实现，TensorFlow 也在提供越来越多的高级构造，其中的一些已经被最新发布的 TensorFlow1.3 版收录。
stimator
Estimator（评估器）类代表一个模型，以及这些模型被训练和评估的方式。我们可以这样构建一个评估器
为了构建一个 Estimator，我们需要传递一个模型函数，一个参数集合以及一些配置。
- 参数应该是模型超参数的集合，它可以是一个字典，但我们将在本示例中将其表示为 HParams 对象，用作 namedtuple。
- 该配置指定如何运行训练和评估，以及如何存出结果。这些配置通过 RunConfig 对象表示，该对象传达 Estimator 需要了解的关于运行模型的环境的所有内容。
- 模型函数是一个 Python 函数，它构建了给定输入的模型。
Experiment
Experiment（实验）类是定义如何训练模型，并将其与 Estimator 进行集成的方式。
Experiment 作为输入：
- 一个 Estimator（例如上面定义的那个）。
- 训练和评估数据作为第一级函数。这里用到了和前述模型函数相同的概念，通过传递函数而非操作，如有需要，输入图可以被重建。我们会在后面继续讨论这个概念。
- 训练和评估钩子（hooks）。这些钩子可以用于监视或保存特定内容，或在图形和会话中进行一些操作。例如，我们将通过操作来帮助初始化数据加载器。
- 不同参数解释了训练时间和评估时间。
一旦我们定义了 experiment，我们就可以通过 learn_runner.run 运行它来训练和评估模型。
Dataset
我们将使用 Dataset 类和相应的 Iterator 来表示我们的训练和评估数据，并创建在训练期间迭代数据的数据馈送器。在本示例中，我们将使用 TensorFlow 中可用的 MNIST 数据，并在其周围构建一个 Dataset 包装器。
为了使用Dataset，我们需要三个步骤：
1）导入数据：从一些数据中创建一个Dataset实例；
2）创建一个迭代器：通过使用创建的数据集来制作一个迭代器实例迭代遍历数据集；
3）使用数据：通过使用创建的迭代器，我们可以得到数据集的元素馈送给模型；