Tensorflow Keras模型和Estimator有什么区别？

Question

Tensorflow Keras模型和Tensorflow Estimators都能够训练神经网络模型，并使用它们来预测新数据。它们都是位于低级核心TensorFlow API之上的高级API。那么我什么时候应该使用另一个？

Answer 1

背景

Estimators API已在版本1.1中添加到Tensorflow中，并提供了对较低层Tensorflow核心操作的高层抽象。它可以与Estimator实例一起使用，该实例是TensorFlow完整模型的高级表示。

Keras与Estimators API相似，因为它抽象了深度学习模型组件（例如层，激活函数和优化器），以使开发人员更轻松。这是一个模型级库，不处理低级操作，这是张量操纵库或后端的工作。 Keras支持三个后端-Tensorflow，Theano和CNTK。

直到Release 1.4.0（2017年11月2日），Keras才是Tensorflow的一部分。现在，当您使用tf.keras（或谈论“ Tensorflow Keras”）时，您只需将Keras接口与Tensorflow后端一起使用即可构建和训练模型。

因此，Estimator API和Keras API都提供了比低级核心Tensorflow API更高的API，您可以使用其中任何一种来训练模型。但是在大多数情况下，如果您正在使用Tensorflow，出于以下原因，您将希望使用Estimators API。

发行版

您可以使用Estimators API在多台服务器上进行分布式培训，而不能使用Keras API。

在Tensorflow Keras Guide中，它表示：

  

Estimators API用于分布式环境的训练模型。

在Tensorflow Estimators Guide中，它表示：

  

您可以在本地主机或分布式多服务器环境上运行基于Estimator的模型，而无需更改模型。此外，您可以在CPU，GPU或TPU上运行基于Estimator的模型，而无需重新编码模型。

预制估算器

尽管Keras提供了使模型构建更容易的抽象，但是您仍然必须编写代码来构建模型。借助Estimators，Tensorflow提供了预制的Estimators ，您只需插入超参数即可直接使用这些模型。

预制的估算器类似于您使用scikit-learn的方式。例如，Tensorflow中的tf.estimator.LinearRegressor与scikit-learn中的sklearn.linear_model.LinearRegression相似。

与其他Tensorflow工具集成

Tensorflow提供了一个称为TensorBoard的可视化工具，可帮助您可视化图形和统计数据。通过使用Estimator，您可以轻松保存摘要以使用Tensorboard进行可视化。

将Keras模型转换为估算器

要将Keras模型迁移到Estimator，请使用tf.keras.estimator.model_to_estimator方法。

Answer 2

很抱歉，如果我误解了。 我仍然想知道Keras和TF估算器之间的区别。

1. 对于Keras这样的高级API，难道它不应该自然地从其基础硬件平台（例如CPU，GPU，TPU或分布式环境）透明地移植吗？这些琐事不应该由下面的组件来照顾。

2. Keras还具有很多预先构建的模型，您所需要做的就是插入超参数。

3. Keras还可以通过其回调机制合并Tensorboard和ModelCheckpoint。 https://keras.io/callbacks/

4. 是的，有从Keras到Estimator的转换API，但我不确定动机和绝对必要性。

Answer 3

根据我的理解，估计器用于大规模训练数据并用于生产目的，因为云ML引擎只能接受估计器。

以下来自tensorflow doc的描述提到了这一点：

” Estimators API用于训练分布式环境的模型。这针对行业用例，例如对大型数据集的分布式培训，可以将模型导出以进行生产。 “