Tensorflow-Estimator-API

Was ist die Tensorflow-Estimator-API?

Estimators bilden ein vollständiges Modell ab, wirken dabei aber nur auf die wenigsten Benutzer intuitiv. Die Estimator-API stellt Methoden zum Trainieren des Modells, zum Beurteilen der Modellgenauigkeit und zum Erstellen von Vorhersagen bereit. TensorFlow implementiert wie nachstehend abgebildet einen Programmier-Stack, der aus mehreren API-Layern besteht:

Es gibt zwei Arten von Estimators: Sie können entweder die vorkonfigurierten Estimators wählen oder eigene schreiben. Auf Estimators basierende Modelle können sowohl auf lokalen Hosts als auch in einer verteilten Multiserver-Umgebung ausgeführt werden, ohne dass das Modell angepasst werden muss. Darüber hinaus können Sie auf Estimators basierende Modelle auf CPUs, GPUs oder TPUs ausführen, ohne sie aufzeichnen zu müssen.

Estimators kapseln vier Hauptfunktionen:

• Training: Sie trainieren ein Modell für eine festgelegte Anzahl von Schritten auf eine bestimmte Eingabe.
• Evaluation: Sie bewerten das Modell anhand eines Testsets.
• Vorhersage: Estimators führen die Inferenz unter Einsatz des trainierten Modells durch.
• Export: Ihr Modell wird in die Bereitstellung überführt.

Darüber hinaus enthält der Estimator Standardfunktionen für Trainingsjobs, wie z. B. zum Speichern und Wiederherstellen von Prüfpunkten, zum Erstellen von Zusammenfassungen usw. Für einen Estimator müssen Sie je eine model_fn und eine input_fn schreiben, die den Modell- und Eingabebereichen Ihres TensorFlow-Graphen entsprechen.

Estimators bieten viele Vorteile:

• Sie vereinfachen den Austausch von Implementierungen zwischen Modellentwicklern.
• Sie können ein ausgezeichnetes Modell mit intuitivem High-Level-Code entwickeln, das beim Erstellen von Modellen gewöhnlich einfacher zu nutzen ist als die Low-Level-APIs von TensorFlow.
• Die Estimators ihrerseits setzen auf tf.keras.layers auf, was die Anpassung erheblich erleichtert.
• Estimators machen Ihr Leben einfacher, indem sie den Graphen für Sie erstellen.
• Estimators bieten eine sichere verteilte Trainingsschleife, die steuert, wie und wann:
  • der Graph erstellt wird,
  • Variablen initialisiert werden,
  • Daten geladen werden,
  • Exceptions behandelt werden,
  • Prüfpunktdateien erstellt werden und eine Wiederherstellung nach einem Fehler erfolgt und
  • Zusammenfassungen für TensorBoard gespeichert werden.