在TensorF中使用MonitoredTrainingSession与Estimator的原因是什么

Question

我看到很多例子，其中MonitoredTrainingSession或{}作为培训框架。但是我不清楚为什么我会用一个来代替另一个。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/val数据集。我不知道一次安装有什么好处。在

Answer 1

简而言之，MonitoredTrainingSession允许用户访问图形和会话对象以及训练循环，而Estimator则对用户隐藏图形和会话的详细信息，并且通常更容易运行培训，尤其是使用train_and_evaluate，如果需要定期评估。在

MonitoredTrainingSession不同于普通tf.会议（）以一种处理变量初始化、设置文件编写器以及包含分布式培训功能的方式。在

另一方面，Estimator API是与Keras一样的高级构造。在示例中可能使用较少，因为它是后来介绍的。它还允许使用DistibutedStrategy分发培训/评估，并且它有几个允许快速原型设计的封装估计器。在

就模型定义而言，它们是相当相等的，都允许使用keras.layers，或者从头开始定义完全定制的模型。所以，无论出于什么原因，如果您需要访问图构造或定制训练循环，请使用MonitoredTrainingSession。如果您只想定义模型、训练它、运行验证和预测而不增加复杂性和样板代码，请使用Estimator