python - 在 TensorFlow 中使用实验的优势

Question

许多 TensorFlow 的示例应用程序创建 Experiment s 并运行 Experiment 之一通过调用 tf.contrib.data.learn_runner.run 的方法.它看起来像一个 Experiment本质上是 Estimator 的包装器.

创建和运行 Experiment 所需的代码看起来比创建、训练和评估 Estimator 所需的代码更复杂.我确信使用 Experiment 有好处s，但我不知道它是什么。有人可以帮我吗？

Answer 1

tf.contrib.learn.Experiment 是用于分布式训练的高级 API。这是来自它的文档:

Experiment is a class containing all information needed to train a model.

After an experiment is created (by passing an Estimator and inputs for training and evaluation), an Experiment instance knows how to invoke training and eval loops in a sensible fashion for distributed training.

就像 tf.estimator.Estimator(和派生类)是隐藏矩阵乘法、保存检查点等的高级 API 一样，tf.contrib.learn.Experiment 试图隐藏您的样板文件d 需要为 distributed computation 做，即 tf.train.ClusterSpec、tf.train.Server、jobs、tasks 等

您可以在没有实验的单台机器上训练和评估tf.estimator.Estimator。请参阅 this tutorial 中的示例。