我使用Tensorflow api tf.estimator来训练和评估模型，按照in this blog的说明构建自定义估算工具，并以这种方便的方式运行流程：
run_config = tf.estimator.RunConfig(save_checkpoints_secs=save_interval_secs,
keep_checkpoint_max=keep_checkpoint_max,
save_summary_steps=save_summary_steps,
model_dir=logdir)
estimator = tf.estimator.Estimator(model_fn=model_fn,
config=run_config)
train_spec = tf.estimator.TrainSpec(input_fn=train_input_fn, max_steps=train_steps)
eval_spec = tf.estimator.EvalSpec(input_fn=eval_input_fn, steps=eval_steps, throttle_secs=eval_interval_secs)
tf.estimator.train_and_evaluate(estimator, train_spec, eval_spec)
此过程非常有效地培训和监控tf.metrics指标到Tensorboard（例如tf.metrics.accuracy）。
对于我的一个项目，我想添加一些来自独立python函数的更多（复杂）指标，并在Tensorboard中可视化它们。该函数将训练logdir作为参数（加载模型并在数据上运行），并将一些标量（或张量）返回到Tensorboard中。
最后但并非最不重要的是，该函数需要GPU资源，因此我希望在评估后调用此函数：
Train xx steps => Evaluation xx steps => Custom metrics => Train xx steps => ...
我正在考虑使用tf.summary.FileWriter和/或训练挂钩（请参阅Tensorflow documentation），但我不知道如何使用tf.estimator api以直截了当的方式使用它们。
非常感谢你的帮助！
微米。