在TensorFlow中使用實驗的優勢

Question

許多TensorFlow的示例應用程序通過調用tf.contrib.data.learn_runner.run創建Experiment並運行其中一個Experiment的方法。 它看起來像一個Experiment本質上是一個Estimator的包裝Estimator 。

創建和運行Experiment所需的代碼看起來比創建，訓練和評估Estimator所需的代碼更復雜。 我確信使用Experiment有一個優勢，但我無法弄清楚它是什么。 有人能填補我嗎？

Answer 1

tf.contrib.learn.Experiment是一個用於分布式培訓的高級API。 這是來自它的文檔：

實驗是一個包含訓練模型所需的所有信息的類。

在創建實驗之后（通過傳遞Estimator和輸入進行訓練和評估），實驗實例知道如何以合理的方式調用訓練和評估循環以進行分布式訓練 。

就像tf.estimator.Estimator （和派生類）是一個隱藏矩陣乘法，保存檢查點等的高級API， tf.contrib.learn.Experiment試圖隱藏你需要為分布式做的樣板文件計算 ，即tf.train.ClusterSpec ， tf.train.Server ，作業，任務等。

您可以在沒有Experiment情況下在單台機器上訓練和評估tf.estimator.Estimator 。 請參閱本教程中的示例。