有关tensorflow GetStarted教程的问题

Question

所以我正在阅读tensorflow getstarted tutorial，我发现很难遵循。关于每个函数以及为什么它们是必要的（或不是），有很多解释。

1. 在tf.estimator部分，它们的含义是什么，或者它们应该是“ x_eval ”和“ y_eval ”数组？ x_train 和 y_train 数组为给定的 x 坐标提供所需的输出（对应的 y 坐标） 。但 x_eval 和 y_eval 值不正确：对于 x = 5 ，y应为-4，而不是-4.1。这些价值来自哪里？ x_eval 和 y_eval 是什么意思？他们是必要的吗？他们是如何选择这些价值的？

2. “ input_fn ”（“fn”甚至是什么意思？）和“ train_input_fn ”之间的区别。我看到唯一的区别是

num_epochs=None, shuffle=True num_epochs=1000, shuffle=False

但是我不明白“input_fn”或“train_input_fn”是什么/做什么，或者两者之间有什么区别，或者两者都是必要的。

3.在

estimator.train(input_fn=input_fn, steps=1000)

一段代码，我不明白“steps”和“num_epochs”之间的区别。每个人的意义是什么？你有 num_epochs = 1000 和 steps = 1000 吗？

1. 最后一个问题是，我如何得到W和b？在以前的方式中（不使用tf.estimator），他们明确地发现W = -1且b = 1。如果我正在做一个更复杂的神经网络，涉及偏差和权重，我想我想恢复权重和偏差的实际值。这就是为什么我使用张量流来找到权重的重点！那么如何在tf.estimator示例中恢复它们呢？

这些只是在阅读“getStarted”教程时遇到的一些问题。我个人认为它会留下很多欲望，因为很不清楚每件事情的作用，你最多可以猜测。

Answer 1

我同意你的观点，tf.estimator并没有很好地介绍这个＆＃34;入门＆＃34;教程。我还认为一些机器学习背景将有助于理解教程中发生的事情。

关于你问题的答案：

1. 在机器学习中，我们通常会在训练集上最小化模型的丢失，然后我们在评估集上评估模型的性能。这是因为它很容易过度匹配训练集并且在其上获得100％的准确性，因此使用单独的验证集使得以这种方式作弊是不可能的。

   • 此处(x_train, y_train)对应于训练集，其中W=-1, b=1获得全局最小值。
   • 验证集(x_eval, y_eval)不必完全遵循训练集的分布。虽然我们可以在训练集上丢失0，但我们会在验证集上获得少量损失，因为我们并没有完全y_eval = - x_eval + 1

2. input_fn表示＆＃34;输入功能＆＃34;。这表示对象input_fn是一个函数 在tf.estimator中，如果要训练估算器（estimator.train()）或对其进行评估（estimator.evaluate()），则需要提供输入函数。

   • 通常您需要不同的培训或评估转换，因此您有两个函数train_input_fn和eval_input_fn（教程中的input_fn几乎等同于train_input_fn，并且只是令人困惑）。
   • 例如，在训练期间，我们想要训练多个时期（即在数据集上多次）。对于评估，我们只需要通过验证数据一次以计算我们需要的指标

3. 纪元数是我们重复整个数据集的次数。例如，如果我们训练10个时期，模型将看到每个输入10次 当我们训练机器学习模型时，我们通常使用小批量数据。例如，如果我们有1,000张图像，我们可以批量训练100张图像。因此，对10个时期的培训意味着对100批数据进行培训。

4. 对估算工具进行培训后，您可以通过estimator.get_variable_names()访问变量列表，通过estimator.get_variable_value()访问变量值。
   通常我们永远不需要这样做，因为我们可以使用训练的估算器来预测新的示例，使用estimator.predict()。

如果您觉得入门令人困惑，您可以随时提交GitHub问题，告诉TensorFlow团队并解释您的观点。