tensorflow estimator详细介绍，实现模型的高效训练

青旅半醒 2022-01-27 10:17 289阅读 0赞

`estimator`是tensorflow高度封装的一个类，里面有一些可以直接使用的分类和回归模型，例如`tf.estimator.DNNClassifier`，但这不是这篇博客的主题，而是怎么使用`estimator`来实现我们自定义模型的训练。它的步骤主要分为以下几个部分：

1.  构建`model_fn`，在这个方法里面定义自己的模型以及训练和测试过程要做的事情；
2.  构建`input_fn`，在这个方法数据的来源和喂给模型的方式；
3.  最后，创建`estimator`对象，然后开始训练模型了。可以添加一些config，比如：loss的输出频率等。

# 构建model\_fn方法 #

import tensorflow as tf
    
    
    def model_fn(features, labels, mode, params):  # 必须要有前面三个参数
    	# feature和labels其实就是`input_fn`方法传输过来的
    	# mode是用来判断你现在是训练或测试阶段
    	# params是在创建`estimator`对象的输入参数
        lr = params['lr']
        try:
            init_checkpoint = params['init_checkpoint']
        except KeyError:
            init_checkpoint = None
        
        
        x = features['inputs']
        y = features['labels']
        
        #####################在这里定义你自己的网络模型###################
        pre = tf.layers.dense(x, 1)
        loss = tf.reduce_mean(tf.pow(pre-y, 2), name='loss')
        ######################在这里定义你自己的网络模型###################
        
        # 这里可以加载你的预训练模型
        assignment_map = dict()
        if init_checkpoint:
            for var in tf.train.list_variables(init_checkpoint):  # 存放checkpoint的变量名称和shape
                assignment_map[var[0]] = var[0]
            tf.train.init_from_checkpoint(init_checkpoint, assignment_map)
        
        # 定义你训练过程要做的事情
        if mode == tf.estimator.ModeKeys.TRAIN:
            optimizer = tf.train.AdamOptimizer(lr)
            train_op = optimizer.minimize(loss, global_step=tf.train.get_global_step())
            output_spec = tf.estimator.EstimatorSpec(mode, loss=loss, train_op=train_op)
        
        # 定义你测试（验证）过程
        elif mode == tf.estimator.ModeKeys.EVAL:
            metrics = { 'eval_loss': tf.metrics.mean_tensor(loss), "accuracy": tf.metrics.accuracy(labels, pre)}
            output_spec = tf.estimator.EstimatorSpec(mode, loss=loss, eval_metric_ops=metrics)
            
        # 定义你的预测过程
        elif mode == tf.estimator.ModeKeys.PREDICT:
            predictions = { 'predictions': pre}
            output_spec = tf.estimator.EstimatorSpec(mode, predictions=predictions)
        
        else:
            raise TypeError
    
        return output_spec

提几点需要注意的地方：

1.  `model_fn`方法返回的是`tf.estimator.EstimatorSpec`;
2.  TRAIN、EVAL和PREDICT模式不可缺少的参数是不一样的。

# 构建input\_fn方法 #

def input_fn_bulider(inputs_file, batch_size, is_training):
        name_to_features = { 'inputs': tf.FixedLenFeature([3], tf.float32),
                            'labels': tf.FixedLenFeature([], tf.float32)}
        
        def input_fn(params): 
            d = tf.data.TFRecordDataset(inputs_file)
            if is_training:
                d = d.repeat()
                d = d.shuffle()
                
            # map_and_batch其实就是将map和batch结合起来而已
            d = d.apply(tf.contrib.data.map_and_batch(lambda x: tf.parse_single_example(x, name_to_features), 
                                                       batch_size=batch_size))
            return d
        
        return input_fn

# 执行eatimator #

if __name__ == '__main':
    	# 定义日志消息的输出级别，为了获取模型的反馈信息，选择INFO
    	tf.logging.set_verbosity(tf.logging.INFO)
    	# 我在这里是指定模型的保存和loss输出频率
    	runConfig = tf.estimator.RunConfig(save_checkpoints_steps=1,
    	                                   log_step_count_steps=1)
    	
    	estimator = tf.estimator.Estimator(model_fn, model_dir='your_save_path',
    	                                   config=runConfig, params={ 'lr': 0.01})
    	
    	# log_step_count_steps控制的只是loss的global_step的输出
    	# 我们还可以通过tf.train.LoggingTensorHook自定义更多的输出
    	# tensor是我们要输出的内容，输入一个字典，key为打印出来的名称，value为你要输出的tensor的name
    	logging_hook = tf.train.LoggingTensorHook(every_n_iter=1,
    											  tensors={ 'loss': 'loss'})
    	
    	# 其实给到estimator.train是一个dataset对象
    	input_fn = input_fn_bulider('test.tfrecord', batch_size=1, is_training=True)
    	estimator.train(input_fn, max_steps=1000)
    	# 下面你还可以对模型进行验证和测试，做法是差不多的，我就不列举了

欢迎关注同名公众号：“我就算饿死也不做程序员”。  
交个朋友，一起交流，一起学习，一起进步。![在这里插入图片描述][20200430112710443.jpg]

[20200430112710443.jpg]: /images/20220127/8092fd5df27c4cc9afbe6cff6002e247.png