TensorFlow估算与火车

Question

TensorFlow似乎有两个不同的API用于实际运行优化过程，也就是说，我看过两个不同的示例代码系列，其中一个看起来像

estimator = tf.estimator.LinearRegressor(feature_columns=feature_columns)

，另一个看起来像

optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)

它们是真正的替代品;每个样本程序使用一个或另一个但不是两个。

应该使用以下哪些？是否有人赞成另一个？一个用于简单的情况，另一个用于更复杂的情况吗？

Answer 1

这两件事情并不具有可比性

estimator = tf.estimator.LinearRegressor(feature_columns=feature_columns)

是一个高级抽象，它创建一个线性回归量（包括你自己的优化器，你可以在构造函数中设置）

而，

optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)

没有定义模型体系结构，只是定义了在给定模型上使用的优化方法。

如果您愿意，可以通过在参数中指定optimizer="SGD"来实例化具有GradientDescentOptimizer的LinearRegressor作为优化器，否则默认为optimizer="Ftrl"

如果您想要对您感到困惑的示例代码进行更详细的细分，则必须准确引用它。

Answer 2

TensorFlow提供多个不同抽象级别的API，通过使用更高级别的API，您可以以灵活性为代价购买便利性和易于开发/实验：您的第一个示例可以省去显式指定{的麻烦{1}}，这是cost默认的平方误差。但是，您可能会很快发现自己处于LinearRegressor的选项并未完全消除的情况;例如，您的样本中可能存在依赖关系，迫使您手动指定另一个成本函数，在这种情况下，您将下拉一个图层，并使用不太抽象的API。

在实践中，知道不同的版本可能很容易获得回报，允许自己为正在尝试解决的问题提供适当的抽象级别。

TensorFlow的高级API的另一个示例是Keras。