4. Tensorflow的Estimator实践原理

4. Tensorflow的Estimator实践原理
1. Tensorflow高效流水线Pipeline

2. Tensorflow的数据处理中的Dataset和Iterator

3. Tensorflow生成TFRecord

4. Tensorflow的Estimator实践原理

1. 前言

前面博文介绍了Tensorflow的一大块，数据处理，今天介绍Tensorflow的高级API，模型的建立和简化过程。

2. Estimator优势

本文档介绍了Estimator一种可极大地简化机器学习编程的高阶TensorFlow API。用了Estimator你会得到数不清的好处。
- 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。
- 使用dataset高效处理数据，搭配上Estimator再GPU或者TPU上高效的运行模型，提高整体的模型运行的时间。
- 使用Estimator编写应用时，您必须将数据输入管道从模型中分离出来。这种分离简化了不同数据集的实验流程。
- Estimator提供安全的分布式训练循环，可以控制如何以及何时：
  - 构建图
  - 初始化变量
  - 开始排队
  - 处理异常
  - 创建检查点文件并从故障中恢复
  - 保存 TensorBoard 的摘要
- Estimator简化了在模型开发者之间共享实现的过程。
- 您可以使用高级直观代码开发先进的模型。简言之，采用Estimator创建模型通常比采用低阶TensorFlow API更简单。
- Estimator本身在tf.layers之上构建而成，可以简化自定义过程。
3. 预创建的Estimator
- 编写一个或多个数据集导入函数。
  - 一个字典，其中键是特征名称，值是包含相应特征数据的张量（或 SparseTensor）
  - 一个包含一个或多个标签的张量
```
def input_fn(dataset):
   # manipulate dataset, extracting the feature dict and the label
   return feature_dict, label
```
- 定义特征列。每个tf.feature_column都标识了特征名称、特征类型和任何输入预处理操作。
```
# 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)
```
- 实例化相关的预创建的Estimator。例如，下面是对名为LinearClassifier的预创建Estimator进行实例化的示例代码：
```
# Instantiate an estimator, passing the feature columns.
estimator = tf.estimator.LinearClassifier(
    feature_columns=[population, crime_rate, median_education],
    )
```
- 调用训练、评估或推理方法。例如，所有 Estimator 都提供训练模型的 train 方法。
```
# my_training_set is the function created in Step 1
estimator.train(input_fn=my_training_set, steps=2000)
```
4. 自定义Estimator

4.1 input_fn输入函数

输入函数可以直接返回feature_dict, label，也可以返回的是dataset.make_one_shot_iterator()，这样就和我们高效的数据预处理接上了。
```
def input_fn(features, labels, batch_size):
    """An input function for training"""
    # Convert the inputs to a Dataset.
    dataset = tf.data.Dataset.from_tensor_slices((dict(features), labels))

    # Shuffle, repeat, and batch the examples.
    dataset = dataset.shuffle(1000).repeat().batch(batch_size)

    # Return the read end of the pipeline.
    return dataset.make_one_shot_iterator().get_next()
```
4.2 feature_columns创建特征列

您必须定义模型的特征列来指定模型应该如何使用每个特征。无论是使用预创建的Estimator还是自定义Estimator，您都要使用相同的方式定义特征列。

以下代码为每个输入特征创建一个简单的 numeric_column，表示应该将输入特征的值直接用作模型的输入：
```
# Feature columns describe how to use the input.
my_feature_columns = []
for key in train_x.keys():
    my_feature_columns.append(tf.feature_column.numeric_column(key=key))
```
4.3 model_fn模型函数
```
def model_fn(
   features, # This is batch_features from input_fn
   labels,   # This is batch_labels from input_fn
   mode,     # An instance of tf.estimator.ModeKeys
   params):  # Additional configuration
```
前两个参数是从输入函数中返回的features和labels,mode参数表示调用程序是请求训练、预测还是评估。所以在model_fn里面需要实现训练、预测、评估3种请求方式。

调用程序可以将params传递给Estimator的构造函数。传递给构造函数的所有params 转而又传递给model_fn。
```
classifier = tf.estimator.Estimator(
    model_fn=my_model,
    params={
        'feature_columns': my_feature_columns,
        # Two hidden layers of 10 nodes each.
        'hidden_units': [10, 10],
        # The model must choose between 3 classes.
        'n_classes': 3,
    })
```
5. 定义模型

5.1 定义输入层

在 model_fn 的第一行调用 tf.feature_column.input_layer，以将特征字典和 feature_columns 转换为模型的输入，会应用特征列定义的转换，从而创建模型的输入层。如下所示：
```
# Use `input_layer` to apply the feature columns.
net = tf.feature_column.input_layer(features, params['feature_columns'])
```
5.2 隐藏层

如果您要创建深度神经网络，则必须定义一个或多个隐藏层。Layers API 提供一组丰富的函数来定义所有类型的隐藏层，包括卷积层、池化层和丢弃层。

隐藏层是用户自己发挥想象力，定义的可以很复杂的地方。
```
# Build the hidden layers, sized according to the 'hidden_units' param.
for units in params['hidden_units']:
    net = tf.layers.dense(net, units=units, activation=tf.nn.relu)
```
5.3 输出层
```
# Compute logits (1 per class).
logits = tf.layers.dense(net, params['n_classes'], activation=None)
```
tf.nn.softmax 函数会将这些对数转换为概率。

5.4 实现训练、评估和预测

创建模型函数的最后一步是编写实现预测、评估和训练的分支代码。

重点关注第三个参数 mode。如下表所示，当有人调用train、evaluate或predict时，Estimator框架会调用模型函数并将mode参数设置为ModeKeys.TRAIN,ModeKeys.EVAL,ModeKeys.PREDICT。

模型函数必须提供代码来处理全部三个mode值。对于每个mode值，您的代码都必须返回 tf.estimator.EstimatorSpec的一个实例，其中包含调用程序所需的信息。我们来详细了解各个mode。
- 训练 ModeKeys.TRAIN
构建训练操作需要优化器。我们将使用 tf.train.AdagradOptimizer。
我们使用优化器的 minimize 方法根据我们之前计算的损失构建训练操作。
minimize 方法还具有 global_step 参数。
```
optimizer = tf.train.AdagradOptimizer(learning_rate=0.1)
train_op = optimizer.minimize(loss, global_step=tf.train.get_global_step())
if mode == tf.estimator.ModeKeys.TRAIN:
    return tf.estimator.EstimatorSpec(mode, loss=loss, train_op=train_op)
```
- 评估 ModeKeys.EVAL
虽然返回指标是可选的。TensorFlow 提供一个指标模块 tf.metrics 来计算常用指标。为简单起见，我们将只返回准确率。
```
# Compute evaluation metrics.
accuracy = tf.metrics.accuracy(labels=labels,
                               predictions=predicted_classes,
                               name='acc_op')
metrics = {'accuracy': accuracy}
tf.summary.scalar('accuracy', accuracy[1])

if mode == tf.estimator.ModeKeys.EVAL:
    return tf.estimator.EstimatorSpec(
        mode, loss=loss, eval_metric_ops=metrics)
```
- 预测 ModeKeys.PREDICT
该模型必须经过训练才能进行预测。经过训练的模型存储在磁盘上，位于您实例化 Estimator 时建立的 model_dir 目录中。

此模型用于生成预测的代码如下所示：
```
# Compute predictions.
predicted_classes = tf.argmax(logits, 1)
if mode == tf.estimator.ModeKeys.PREDICT:
    predictions = {
        'class_ids': predicted_classes[:, tf.newaxis],
        'probabilities': tf.nn.softmax(logits),
        'logits': logits,
    }
    return tf.estimator.EstimatorSpec(mode, predictions=predictions)
```
predictions 存储的是下列三个键值对：
- class_ids 存储的是类别 ID（0、1 或 2），表示模型对此样本最有可能归属的品种做出的预测。
- probabilities 存储的是三个概率（在本例中，分别是 0.02、0.95 和 0.03）
- logit 存储的是原始对数值（在本例中，分别是 -1.3、2.6 和 -0.9）
我们通过 predictions 参数（属于 tf.estimator.EstimatorSpec）将该字典返回到调用程序。Estimator 的 predict 方法会生成这些字典。

6. 实例化Estimator

通过 Estimator 基类实例化自定义 Estimator，如下所示：
```
# Build 2 hidden layer DNN with 10, 10 units respectively.
classifier = tf.estimator.Estimator(
    model_fn=my_model,
    params={
        'feature_columns': my_feature_columns,
        # Two hidden layers of 10 nodes each.
        'hidden_units': [10, 10],
        # The model must choose between 3 classes.
        'n_classes': 3,
    })
```
在这里，params 字典与 DNNClassifier 的关键字参数用途相同；即借助 params 字典，您无需修改 model_fn 中的代码即可配置 Estimator。

使用 Estimator 训练、评估和生成预测要用的其余代码与预创建的 Estimator 一章中的相同。例如，以下行将训练模型：
```
# Train the Model.
classifier.train(
    input_fn=lambda:iris_data.train_input_fn(train_x, train_y, args.batch_size),
    steps=args.train_steps)
```
7. 工作流程
1. 假设存在合适的预创建的Estimator，使用它构建第一个模型并使用其结果确定基准。
2. 使用此预创建的Estimator构建和测试整体管道，包括数据的完整性和可靠性。
3. 如果存在其他合适的预创建的Estimator，则运行实验来确定哪个预创建的Estimator效果最好。
4. 可以通过构建自定义Estimator进一步改进模型。
相关阅读:
CentOS 7.1下KVM的安装与配置
 ORACLE常用命令
 linux下输出tomcat控制台信息
 express添加拦截器
 MySQL存储过程
 supervisor提高nodejs调试效率
 Eclipse Jetty调试时无法保存js文件
 eclipse读取含有extjs的项目文件时卡死
 springmvc4+hibernate4+activiti5.18(Maven)
spring+jersey+c3p0构建restful webservice(数据源采用c3p0)
原文地址：https://www.cnblogs.com/huangyc/p/10341794.html

4. Tensorflow的Estimator实践原理

1. Tensorflow高效流水线Pipeline

2. Tensorflow的数据处理中的Dataset和Iterator

3. Tensorflow生成TFRecord

4. Tensorflow的Estimator实践原理

1. 前言

2. Estimator优势

3. 预创建的Estimator

4. 自定义Estimator

4.1 input_fn输入函数

4.2 feature_columns创建特征列

4.3 model_fn模型函数

5. 定义模型

5.1 定义输入层

5.2 隐藏层

5.3 输出层

5.4 实现训练、评估和预测

6. 实例化Estimator

7. 工作流程