Tensorflow Keras 模型和估算器有什么区别？

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其中一种而不是另一种呢？

Answer 1

正如

@jaromir

指出的那样 - 估计器已被弃用并且从 Tensorflow 2.16 开始不可用。请改用 Keras API。来自文档：

警告： TensorFlow 2.15 包含 tf-estimator

 包的最终版本。估算器在 TensorFlow 中不可用
2.16 或之后。有关如何转换估算器的更多信息，请参阅

迁移指南。

以下是2018年的原始答案。

---

背景

Estimators API 在 1.1 版中添加到 Tensorflow，并为较低级别的 Tensorflow 核心操作提供高级抽象。它与 Estimator 实例配合使用，这是 TensorFlow 对完整模型的高级表示。

Keras 与 Estimators API 类似，它抽象了层、激活函数和优化器等深度学习模型组件，以方便开发人员使用。它是一个模型级库，不处理低级操作，这是张量操作库或后端的工作。 Keras 支持三种后端 - Tensorflow、Theano 和 CNTK。

Keras 直到

发布 1.4.0（2017 年 11 月 2 日）才成为 Tensorflow 的一部分。现在，当您使用 tf.keras

（或谈论“Tensorflow Keras”）时，您只需使用 Keras 接口与 Tensorflow 后端来构建和训练您的模型。

因此，Estimator API 和 Keras API 都提供了高于低级核心 Tensorflow API 的高级 API，您可以使用其中任何一个来训练模型。但在大多数情况下，如果您使用 Tensorflow，您会出于下面列出的原因而希望使用 Estimators API。

分布

您可以使用 Estimators API 跨多个服务器进行分布式训练，但不能使用 Keras API。

来自

Tensorflow Keras Guide，它说：

Estimators API 用于训练

分布式环境的模型。

《Tensorflow 估算器指南》

中写道：

您可以在本地主机或

分布式多服务器

环境上运行基于估算器的模型，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

虽然 Keras 提供的抽象使构建模型变得更加容易，但您仍然需要编写代码来构建模型。通过估算器，Tensorflow 提供了

预制估算器

，您只需插入超参数即可直接使用这些模型。 预制估算器与您使用

scikit-learn

 的方式类似。例如，Tensorflow 中的 

tf.estimator.LinearRegressor

 与 

sklearn.linear_model.LinearRegression 中的

scikit-learn

类似。与其他 Tensorflow 工具集成

Tensorflow 提供了一个名为

TensorBoard

的可视化工具，可帮助您可视化图形和统计数据。通过使用估算器，您可以轻松保存摘要，以便使用 Tensorboard 进行可视化。 将 Keras 模型转换为估计器

要将 Keras 模型迁移到 Estimator，请使用

tf.keras.estimator.model_to_estimator

 方法。

Answer 2

下面来自张量流

doc

之一的描述提到了这一点： ” Estimators API 用于训练分布式环境的模型。这针对的是行业用例，例如对可以导出模型进行生产的大型数据集的分布式训练。 ”