我看到许多以MonitoredTrainingSession或tf.Estimator作为训练框架的例子。但是，不清楚为什么我要使用另一个。两者都可以使用SessionRunHooks进行配置。两者都与tf.data.Dataset迭代器集成，并且可以提供训练/验证数据集。我不确定一种设置的好处是什么。
答案 0 :(得分：0)
简短的回答是，MonitoredTrainingSession允许用户访问Graph和Session对象以及训练循环，而Estimator则向用户隐藏了图形和会话的详细信息，通常使运行起来更容易培训，尤其是如果需要定期评估的话，请参加train_and_evaluate培训。
MonitoredTrainingSession与普通的tf.Session（）的不同之处在于，它处理变量的初始化，设置文件编写器以及合并分布式培训的功能。
Estimator API是高级结构，就像Keras一样。在示例中可能较少使用它，因为它是稍后介绍的。它还允许使用DistibutedStrategy分发训练/评估，并且它具有多个固定估计器，可以快速进行原型制作。
就模型定义而言，它们相当相等，都允许使用keras.layers，也可以从头开始定义完全自定义的模型。因此，如果出于任何原因需要访问图形构造或自定义训练循环，请使用MonitoredTrainingSession。如果您只想定义模型，进行训练，运行验证和预测而又不增加复杂性和样板代码，请使用Estimator