tf.estimator API技术手册（2）——tf.estimator结构介绍

最新推荐文章于 2021-08-29 11:52:52 发布
转载 最新推荐文章于 2021-08-29 11:52:52 发布 · 166 阅读 · 1 ·
CC 4.0 BY-SA版权
原文链接：https://blog.youkuaiyun.com/u014061630/article/details/82812507

本文深入解析了 TensorFlow 的高级API——tf.estimator的结构组成，包括模块、方法类和函数三大核心部分，为读者提供了全面理解tf.estimator的工作原理和使用方式的指南。
部署运行你感兴趣的模型镜像

tf.estimator API技术手册（2）——tf.estimator结构介绍

  • （一）Modules（模块）
  • （二）Classes（方法类）
  • （三）Functions（函数）

（一）Modules（模块）

在这里插入图片描述

（二）Classes（方法类）

在这里插入图片描述

（三）Functions（函数）

在这里插入图片描述

您可能感兴趣的与本文相关的镜像

TensorFlow-v2.15

TensorFlow-v2.15

TensorFlow

TensorFlow 是由Google Brain 团队开发的开源机器学习框架,广泛应用于深度学习研究和生产环境。 它提供了一个灵活的平台,用于构建和训练各种机器学习模型

推荐系统（二十）：TensorFlow 中的两种范式 tf.keras.Model 和 tf.estimator.Estimator
Jin_Kwok的博客
03-30 574
tf.keras.Model 和 tf.estimator.Estimator 是两种不同的高级 API 实现方式，本文从设计理念、使用场景和实现流程等方面简要介绍其差异。
【tensorflow】在tf.estimator.EstimatorSpec打印train-AUC
Love-Coding
06-05 296
【代码】【tensorflow】在tf.estimator.EstimatorSpec打印train-AUC。
tensorflow实战之模型搭建：tf.keras、eager、Estimators框架
wxplol的博客
02-06 1373
这篇是紧接上一篇，这里主要推荐tf.keras、eager、Estimators这三种作为2.x版本的框架作为我们在工程实践中使用的框架。接下来这篇中将详细介绍如何使用这三种框架来搭建自己的模型，以及其中的注意要点。疫情太严重没法出门了，只有把之前学过的来个总结，好吧，开始。 目录 一、数据集 二、Estimators训练回归模型 2.1、输入数据 2.2、模型网络搭建 2.3、Est...
使用estimator结构训练tf模型
一花一世界 一叶一菩提
05-13 4113
。。。
tf.estimator API技术手册（15）——DNNRegressor实践
Friedrich Yuan的博客
11-20 9931
tf.estimator API技术手册（15）——DNNRegressor实践（一）前 言（二）构建Estimator（1）定义数据输入函数（2）构建特征列（3）创建estimator（4）开始训练（5）进行评估（6）进行预测（三）总 结 （一）前 言 今天这一节，我们将会展示使用tf.estimator API中的DNNRegressor（深度神经网络回归器）的详细流程，并使用这个回归...
tf.estimator API技术手册（1）——tf.estimator概览
like_study_cat的博客
12-23 185
tf.estimator API技术手册（1）——tf.estimator概览 （一）前 言 （二）Estimator 的优势 （三）预创建的 Estimator 程序的结构 （1）预创建的 Estimator 程序的结构 （a）编写一个或多个数据集导入函数 （b）定义特征列。 （c）实例化相关的预创建的 Estimator。 （d）调用训练、评估或推理方法。 （2）预创建的 Estimator ...
tf.estimator API技术手册（5）——BestExporter（最佳模型输出器）
Friedrich Yuan的博客
11-17 6160
tf.estimator API技术手册（5）——BestExporter（最佳模型输出器）（一）简 介（二）初始化（三）方 法（Methods）（1）export （一）简 介 BestExporter继承自Exporter类，定义在tensorflow/python/estimator/exporter.py中，它用于导出最优模型的计算图和checkpoints文件，每当新的模型的表...
tf.estimator API技术手册（16）——自定义Estimator
热门推荐
Friedrich Yuan的博客
02-04 1万+
tf.estimator API技术手册（16）——自定义Estimator（一）前 言（二）自定义estimator的一般步骤（三）准备训练数据（四）自定义estimator实践（1）创建特征列（2）编写模型函数（3）创建estimator实例（4）开始训练（5）使用tensorboard查看训练日志（6）进行预测、评估（7）完整代码（五）总 结 （一）前 言 在该系列教程的前15章内，我们介绍...
tf.estimator API技术手册（6）——BoostedTreesClassifier（提升树分类器）
Friedrich Yuan的博客
11-17 2347
tf.estimator API技术手册（6）——BoostedTreesClassifier（提升树分类器）
tf.estimator API技术手册（12）——LinearClassifier（线性分类器）
Friedrich Yuan的博客
11-19 2936
tf.estimator API技术手册（12）——LinearClassifier（线性分类器）（一）简 介（二）初始化（三）属 性（Properties）（四）方 法（Methods）（1）evaluate（评估）（2）predict（预测）（3）train（训练） （一）简 介 继承自Estimator，定义在tensorflow/python/estimator/canned/li...
[tensorflow]tf.estimator.Estimator构建tensorflow模型
woniu201411的博客
04-28 2779
目录 一、Estimator简介 二、数据集 三、定义特征列 四、estimator创建模型 五、模型训练、评估和预测 六、模型保存和恢复 一、Estimator简介 Estimator是TensorFlow对完整模型的高级表示。Tensorflow提供一个包含多个API层的编程堆栈： Estimator封装了操作：训练、评估、预测、导出以供使用。 二、数据集 通过tf....
Tensorflow API 讲解——tf.estimator.Estimator.evaluate
HappyRocking的专栏
05-07 9949
evaluate(self, input_fn, steps=None, hooks=None, checkpoint_path=None, name=None) 作用 使用验证集 input_fn 对 model 进行验证。 对于每一步，执行 input_fn（返回数据集的一个 batch）。 已经进行了 steps 个 batch，或者 input_fn 抛出了出界异常（OutO...
tensorflow笔记(二十六）——tf.estimator模型文件保存和加载
蚂蚁搬家
08-29 3763
1.模型的4个文件 之前一次测试的时候，发现预测概率全部在0.5左右，最后发现是模型加载没有成功，预测结果其实是随机初始化的模型预测结果，所以概率都是0.5。怎么发现是模型没有加载成功呢？我把模型路径下的文件清空了之后预测，没有报错且预测概率就是0.5附近。然后为什么没有加载成功呢，是因为我的模型从平台存储空间上拷贝到测试机上时，只拷贝了model.ckpt-30000.data-00000-of-00001文件，这是不完整的。整个模型其实包含4个文件： model.ckpt-30000.data-000
（45页PPT）智慧口某省市场发展前景及投资研究报告.ppt
12-03
（45页PPT）智慧口某省市场发展前景及投资研究报告.ppt
3D打印机调度问题的研究。目标是同时降低完成时间和成本.zip
最新发布
12-03
1.版本：matlab2014a/2019b/2024b 2.附赠案例数据可直接运行。 3.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。
Bot468__30192_1764666289903.zip
12-03
Bot468__30192_1764666289903.zip
（41页PPT）智慧地铁公交智慧防控系统解决方案.pptx
12-03
（41页PPT）智慧地铁公交智慧防控系统解决方案.pptx
（40页PPT）智慧检务解决方案.pptx
12-03
（40页PPT）智慧检务解决方案.pptx
tf.estimator.LatestExporter
06-13
### tf.estimator.LatestExporter 使用指南 `tf.estimator.LatestExporter` 是 TensorFlow 中的一个类，用于在模型训练和评估过程中导出最新的模型版本。它通常与 `tf.estimator.train_and_evaluate` 一起使用，以确保在训练完成后可以保存最新的模型供后续使用或部署。 以下是关于 `tf.estimator.LatestExporter` 的详细说明以及示例代码： #### 1. 基本功能 `tf.estimator.LatestExporter` 的主要功能是定期将最新的模型导出到指定目录。它会根据配置保留一定数量的最新导出模型，并删除旧的导出版本以节省存储空间。此功能对于需要频繁更新模型的场景非常有用[^1]。 #### 2. 参数详解 `tf.estimator.LatestExporter` 的构造函数包含以下参数： - **name**: 导出器的名称，通常用于标识不同的导出器。 - **serving_input_receiver_fn**: 定义输入签名的函数，用于指定模型如何接收输入数据。 - **assets_extra**: 额外的资产文件（可选），这些文件会被复制到导出目录中。 - **as_text**: 指定是否以文本格式保存模型（默认为 False）。 - **exports_to_keep**: 指定要保留的导出模型数量。如果设置为 None，则不会自动清理旧的导出模型[^1]。 #### 3. 示例代码 以下是一个完整的示例，展示如何使用 `tf.estimator.LatestExporter`： ```python import tensorflow as tf # 定义模型的输入签名函数 def serving_input_fn(): feature_spec = { 'feature_1': tf.io.FixedLenFeature([], dtype=tf.float32), 'feature_2': tf.io.FixedLenFeature([], dtype=tf.int64) } return tf.estimator.export.ServingInputReceiver( features=tf.compat.v1.parse_example(serialized=tf.placeholder(tf.string), features=feature_spec), receiver_tensors={'example_proto': tf.placeholder(tf.string, shape=[None])} ) # 创建 LatestExporter 实例 exporter = tf.estimator.LatestExporter( name='exporter', serving_input_receiver_fn=serving_input_fn, exports_to_keep=3 # 保留最近的 3 个导出模型 ) # 定义 TrainSpec 和 EvalSpec train_spec = tf.estimator.TrainSpec( input_fn=lambda: read_dataset('train', tf.estimator.ModeKeys.TRAIN, BATCH_SIZE), max_steps=TRAIN_STEPS ) eval_spec = tf.estimator.EvalSpec( input_fn=lambda: read_dataset('eval', tf.estimator.ModeKeys.EVAL, 2**15), steps=None, start_delay_secs=60, throttle_secs=EVAL_INTERVAL, exporters=exporter ) # 训练并评估模型 tf.estimator.train_and_evaluate(estimator, train_spec, eval_spec) ``` #### 4. 注意事项 - `serving_input_fn` 是定义模型输入签名的关键部分。它决定了模型在导出后如何接收输入数据。因此，必须根据实际需求正确实现该函数。 - 如果 `exports_to_keep` 设置为较小的值（例如 1 或 2），可能会导致频繁清理旧的导出模型，从而增加磁盘 I/O 开销。 - 在分布式训练环境中，`LatestExporter` 仍然可以正常工作，但需要确保所有节点共享相同的导出目录[^1]。 #### 5. 与其他工具的集成 虽然 `tf.estimator` 提供了强大的模型导出功能，但在某些情况下可能更倾向于使用 Keras API。Keras 提供了更灵活的模型定义方式，并且可以通过 `model.save` 方法直接保存模型。此外，Keras 还支持动态图机制和即时执行模式，这使得模型开发更加直观[^2]。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值