最近在使用estimator做项目，发现 官网 对 这个 estimator整体的讲解 和使用 过程中的细节讲的比较少，结合 我是用过程中的问题，对 estimator的使用步骤进行了总结，如下:代码 见github，求star~~
1. estimator主要需要model_fn，input_fn 以及 serving_fn
2. model_fn主要是是用来定义model ,input_fn主要是用来 定义输入（一般情况下只负责用来定义 train和evaluate）,serving_fn用来定义 serving过程中的输入
针对代码中estimator_template.ipynb详细说一下，您可以 参照着代码来看说明：
1. 建立模型
def create_model(params): # 定义网络结构 和 损失 以及 返回值 pass def model_fn_builder(params): # 该方法实际 创建 estimator的model_fn # 可以 有其他操作 def model_fn(features, labels, mode, params,config) #estimator需要的model_fn 参数固定 ''' features: from input_fn的返回 切记返回的顺序 labels： from input_fn 的返回 切记返回的顺序 mode: tf.estimator.ModeKeys实例的一种 params: 在初始化estimator时 传入的参数列表，dict形式,或者直接使用self.params也可以 config:初始化estimator时 的 Runconfig ''' create_model(params) if mode==tf.estimator.ModeKeys.PREDICT: # 执行预测 #... elif mode==tf.estimator.ModeKeys.EVAL: #评估 #... elif mode=tf.estimator.ModeKeys.TRAIN: # 训练 #... #......其它操作 # 最后返回 return tf.estimator.EstimatorSpec(......) return model_fn在此，我将 model_fn这块，进行了分拆：create_model，model_fn_builder(返回model_fn)
create_model 只负责网络架构的创建，而不包括 后续 损失计算和返回的定义，这个操作 我统一放在了 model_fn中进行定义（为了 让 各个方法 只负责对应的事情），还有一点 需要注意，在create_model中，最后一层的输出，最好不适用 激活函数，而是在model_fn中对model的输出 进行 相应的操作，这样就可以保证 model可以共用
2. 输入方法：
def input_fn_builder(params): ''' 创建 输入函数闭包 ''' # 可以执行其它操作 def input_fn(......): # 具体操作...... return features,labels # 返回的 顺序要和 model_fn一致 或者 dataset元素 格式为（features,label）元组 也可以 return input_fn这个函数 返回 输入函数闭包
3. serving_fn
def serving_input_receiver_fn(): ''' 定义模型导出后，serving的输入值 ''' #.......各种数据转换 # 在此处 多说一些 关于 batch_features以及 receiver_tensor # 1. 首先 这两个 参数，相互之间 并没有 直接 的 关系（切记，没有直接关系，说明还是 有间接关系的） # 2. batch_features这个参数的格式必须 满足 model_fn中features参数格式 # 2.1 关于值的格式，首先他必须是 tensor或者sparseTensor 或者 字典格式（value必须是tensor/sparsetensor）,然后features被传给model # 2.2 如果 features不是字典，则 该方法会自动将其封装为dict(视为一个样本)，并使用‘feature’作为key # 2.3 总结：model必须接受一个形如{'feature':tensor}的字典作为入参 # 3.receiver_tensor 这个参数 是用来接收 请求 的 参数，改参数 一般可以 用一个 placeholder代替，后续经过各种变化， # 将receiver_tensor的值 转换为model_fn中features格式 # 3.1 必须是 tensor或者sparseTensor 或者 字典格式（value必须是tensor/sparsetensor） return tf.estimator.export.ServingInputReceiver(batch_features,receiver_tensor)强调一下，这一块 仔细的看，因为 涉及到 生产部署。这块也很容易出错
3. 模型训练，评估，预测，导出
这块直接看代码 并参照 tf官网 就会明白
4. 部署
具体部署方法还是 看代码吧，没什么 可说的，部署的话 还是 建议 使用 tensorflow serving docker方法,太方便了，后续 对k8s支持的也很好
最后，estimator.ipynb文件 是我按照 这个 步骤 写的一个demo
知乎： https://zhuanlan.zhihu.com/albertwang
微信公众号：AI-Research-Studio
下面是赞赏码
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/233112.html原文链接：https://javaforall.net
![Web Service进阶(一)运行原理[通俗易懂]](https://javaforall.net/wp-content/uploads/2020/11/2020110817443450-480x300.jpg)
