tf.contrib.learn.Experiment

Experiment — класс, содержащий всю необходимую информацию для обучения модели.

tf.contrib.learn.Experiment(
    estimator, train_input_fn, eval_input_fn, eval_metrics=None, train_steps=None,
    eval_steps=100, train_monitors=None, eval_hooks=None, local_eval_frequency=None,
    eval_delay_secs=120, continuous_eval_throttle_secs=60, min_eval_frequency=None,
    delay_workers_by_global_step=False, export_strategies=None,
    train_steps_per_iteration=None, checkpoint_and_export=False,
    saving_listeners=None, check_interval_secs=5
)

ЭТОТ КЛАСС УСТАРЕЛ. См. contrib/learn/README.md для общих инструкций по миграции.

После создания эксперимента (путем передачи оценщика и входных данных для обучения и оценки), экземпляр Experiment знает, как вызывать циклы обучения и оценки разумным способом для распределенного обучения.

Методы

continuous_eval

Просмотреть исходный код

continuous_eval(
    delay_secs=None, throttle_delay_secs=None, evaluate_checkpoint_only_once=True,
    continuous_eval_predicate_fn=None, name='continuous'
)

continuous_eval_on_train_data

Просмотреть исходный код

continuous_eval_on_train_data(
    delay_secs=None, throttle_delay_secs=None, continuous_eval_predicate_fn=None,
    name='continuous_on_train_data'
)

continuous_train_and_eval

Просмотреть исходный код

continuous_train_and_eval(
    continuous_eval_predicate_fn=None
)

Переключает обучение и оценку. (экспериментальный)

Частота оценки контролируется train_steps_per_iteration (через конструктор). Модель будет сначала обучена для train_steps_per_iteration, а затем будет оцениваться по очереди.

Этот метод предназначен для использования на одной машине.

Это отличается от train_and_evaluate следующим образом:

1. Процедура будет чередовать обучение и оценку. Модель будет обучена для определённого числа шагов (обычно меньше train_steps, если указано), а затем оцениваться. train_and_evaluate будет обучать модель для train_steps (без мелких итераций обучения).

2. Из-за другого подхода, который этот график использует, это приводит к двум различиям в управлении ресурсами. Во-первых, ресурсы (например, память), используемые для обучения, будут освобождены перед оценкой (train_and_evaluate потребляет вдвое больше ресурсов). Во-вторых, будет сохранено больше контрольных точек, так как контрольная точка генерируется в конце каждой итерации обучения.

3. Поскольку estimator.train начинается с нуля (новая диаграмма, новые состояния для входа и т.д.) на каждой итерации, рекомендуется, чтобы train_steps_per_iteration было больше. Также рекомендуется перемешивать ваши входные данные.

evaluate

Просмотреть исходный код

evaluate(
    delay_secs=None, name=None
)

Оценить на данных оценки.

Выполняет оценку на данных оценки и возвращает результат. Выполняется для self._eval_steps шагов, или если это None, затем выполняется до тех пор, пока входные данные не иссякнут или не произойдет другое исключение. Начать оценку после delay_secs секунд, или если это None, по умолчанию использовать self._eval_delay_secs секунд.

extend_train_hooks

Просмотреть исходный код

extend_train_hooks(
    additional_hooks
)

Расширяет хуки обучения.

local_run

Просмотреть исходный код

local_run()

УСТАРЕВШАЯ ФУНКЦИЯ

reset_export_strategies

Просмотреть исходный код

reset_export_strategies(
    new_export_strategies=None
)

Сбрасывает стратегии экспорта с помощью new_export_strategies.

run_std_server

Просмотреть исходный код

run_std_server()

Запускает сервер TensorFlow и присоединяется к потоку обслуживания.

Обычно используется для серверов параметров.

test

Просмотреть исходный код

test()

Тестирует обучение, оценку и экспорт оценщика за один шаг.

train

Просмотреть исходный код

train(
    delay_secs=None
)

Обучает оценщик с использованием данных обучения.

Обучает оценщик в течение self._train_steps шагов после ожидания delay_secs секунд. Если self._train_steps равно None, обучение продолжается бесконечно.

train_and_evaluate

Просмотреть исходный код

train_and_evaluate()

Переплетает обучение и оценку.

Частота оценки регулируется аргументом конструктора min_eval_frequency. Когда этот параметр равен 0, оценка происходит только после завершения обучения. Обратите внимание, что оценка не может происходить чаще, чем создаются контрольные моменты. Если новые снимки недоступны, когда должна произойти оценка, то оценка не происходит в течение следующих min_eval_frequency шагов (предполагается, что контрольный момент доступен в этот момент). Таким образом, настройка min_eval_frequency на 1 означает, что модель будет оцениваться каждый раз, когда появляется новый контрольный момент.

Это особенно полезно для задачи «Мастер» в облаке, которая отвечает за создание контрольных моментов, оценку этих контрольных моментов и запись сводок. Участие в обучении в качестве надзирателя позволяет такой задаче выполнять первые и последние пункты, а выполнение оценки позволяет выполнить второй.