【译】Effective TensorFlow Chapter13——在TensorFlow中利用learn API构建神经网络框架

本文翻译自： 《Building a neural network training framework with learn API》， 如有侵权请联系删除，仅限于学术交流，请勿商用。如有谬误，请联系指出。

为了简单起见，在之前的大多数示例中，我们都是手动创建一个会话（session），并不关心保存和加载检查点，但在实践中通常不是这样做的。在这我推荐你使用learn API来进行会话管理和日志记录（session management and logging）。我们使用TensorFlow提供了一个简单而实用的框架来训练神经网络。在这一节中，我们将解释这个框架是如何工作的。

当利用神经网络训练模型进行实验时，通常需要分割训练集和测试集。你需要利用训练集训练你的模型，并在测试集中计算一些指标来评估模型的好坏。你还需要将模型参数存储为一个检查点（checkpoint），因为你需要可以随时停止并重启训练过程。TensorFlow的learn API旨在简化这项工作，使我们能够专注于开发实际模型。

使用tf.learnAPI的最简单的方式是直接使用tf.Estimator对象。你需要定义一个模型函数，该模型函数包含一个损失函数（loss function）、一个训练操作（train op）、一个或一组预测，以及一组可选的用于评估的度量操作:

import tensorflow as tf

def model_fn(features, labels, mode, params):
    predictions = ...
    loss = ...
    train_op = ...
    metric_ops = ...
    return tf.estimator.EstimatorSpec(
        mode=mode,
        predictions=predictions,
        loss=loss,
        train_op=train_op,
        eval_metric_ops=metric_ops)

params = ...
run_config = tf.contrib.learn.RunConfig(model_dir=FLAGS.output_dir)
estimator = tf.estimator.Estimator(
    model_fn=model_fn, config=run_config, params=params)

要训练模型，你只需调用Estimator.train()函数，同时提供一个输入函数来读取数据即可:

def input_fn():
    features = ...
    labels = ...
    return features, labels

estimator.train(input_fn=input_fn, max_steps=...)

如果想要评估模型，只需要调用Estimator.evaluate():

estimator.evaluate(input_fn=input_fn)

对于一些简单的情况，Estimator对象就已经足够应付了，但是TensorFlow还提供了一个更高级别的对象，称为**Experiment** ，它提供了一些额外的实用功能。创建一个experiment对象非常简单:

experiment = tf.contrib.learn.Experiment(
    estimator=estimator,
    train_input_fn=train_input_fn,
    eval_input_fn=eval_input_fn)

现在我们可以调用train_and_evaluate函数来计算训练时的指标:

experiment.train_and_evaluate()

运行experiment的另一种更为高级的方法是使用learn_runner.run()函数。下面是我们在框架中提供的主要功能:

import tensorflow as tf

tf.flags.DEFINE_string("output_dir", "", "Optional output dir.")
tf.flags.DEFINE_string("schedule", "train_and_evaluate", "Schedule.")
tf.flags.DEFINE_string("hparams", "", "Hyper parameters.")

FLAGS = tf.flags.FLAGS

def experiment_fn(run_config, hparams):
  estimator = tf.estimator.Estimator(
    model_fn=make_model_fn(),
    config=run_config,
    params=hparams)
  return tf.contrib.learn.Experiment(
    estimator=estimator,
    train_input_fn=make_input_fn(tf.estimator.ModeKeys.TRAIN, hparams),
    eval_input_fn=make_input_fn(tf.estimator.ModeKeys.EVAL, hparams))

def main(unused_argv):
  run_config = tf.contrib.learn.RunConfig(model_dir=FLAGS.output_dir)
  hparams = tf.contrib.training.HParams()
  hparams.parse(FLAGS.hparams)

  estimator = tf.contrib.learn.learn_runner.run(
    experiment_fn=experiment_fn,
    run_config=run_config,
    schedule=FLAGS.schedule,
    hparams=hparams)

if __name__ == "__main__":
  tf.app.run()

调度标志（schedule flag）决定Experiment对象的哪个成员函数被调用。因此，如果你将schedule设置为“train_and_evaluate”，experiment.train_and_evaluate()这个函数将会被调用。

def input_fn():
    features = ...
    labels = ...
    return features, labels

有关如何使用数据集API读取数据的示例，请参见mnist .py。要了解在TensorFlow中读取数据的各种方法，可以参考这段代码。

该框架还提供了一个简单的卷积网络分类器，详见alexnet.py，其中包括一个示例模型。

这就是开始使用TensorFlow learn API所需要的全部内容。我建议查看框架源码并查看官方python API，以了解更多关于learn API的信息。