在tensorflow验证监视器流式传输auc中，它对流式传输意味着什么？
假设我们设置了every_n_steps = 100，那么每100步就会调用一次监视器。
此外，假设验证监视器的input_fn函数将产生数据流。让我们假设10批。
情况1：每次调用验证监视器时都会重置auc状态，在每个验证步骤中，10个批次都会进行流式传输。
情况2：auc状态未重置，因此流式auc是从第一次调用验证监视器计算出来的。即，第一输出（100步）从10批计算，第二验证输出（200步）基于第一次调用后的流auc以及10个批次输入计算。第三输出（300步）步骤（））基于第二次呼叫后的流式传输auc以及10次馈入的数据计算。
问题1，实施了哪一个方案？ 问题2，如果我们使用tf.metrics.auc，有什么区别？他们在this doc说：
为了估计数据流上的度量，该函数创建update_op操作，更新这些变量并返回auc。
所以这也计算了流式的auc？！
答案 0 :(得分：0)
答案是案例1. ValidationMonitor调用Estimator的evaluate（），它从检查点重新加载模型。局部变量（包括度量标准所依据的统计信息）不会保存在检查点中;重新加载检查点后，它们将从头开始重新初始化。
指标始终是流式传输，因此可以组合多个评估步骤（由eval_steps ValidationMonitor参数控制）。但是这种聚合仅在evaluate()步骤内。
对于tf.contrib.streaming_auc vs tf.metrics.auc，后者位于核心TensorFlow中，并且具有API稳定性保证（在contrib作为streaming_auc挂出后，它可能已移至那里一点点）。它们应该是等价的，除非contrib版本获得您想要使用的某些新功能（此处不适用），否则核心版本更可取。