Google 在 2017 年 9 月 12 号的博文 Introduction to TensorFlow Datasets and Estimators 中介绍了新引入的两个新特性 Datasets 和 Estimators：
-
Datasets：创建一个输入管道（input pipelines）来为你的模型读取数据，在这个 pipelines 中你可以做一些数据预处理，尽量都使用 TensorFlow 自己的函数，即
tf开头的函数（比如tf.reshape），这样可以提高程序执行效率。 -
Estimators：这是模型的核心部分，而 Estimators 的核心部分则是一个
model_fn函数（后面会细讲），你在这个函数中定义你的模型架构，输入是特征和标签，输出是一个定义好的 estimator。
TensorFlow 架构，图自 Google Developers Blog
实际上这两个特性并不是第一次引入，只不过之前是放在 tf.contrib 里，而这次是引入到了 TensorFlow 核心组件中，意味着可以在生产环境中使用。我 6 月份的时候也写过一篇博文简单说了下 tf.contrib.learn.DNNRegressor 的使用，实际上这就是 Estimators 内置的一个模型（estimator）。这两个都是高层 API，也就是说为了创建一个模型你不用再写一些很底层的代码（比如定义权重偏置项），可以像 scikit-learn 和 Keras 那样很轻松的几行代码创建一个模型，便于快速实现。
本篇博文就是试图将这两个高层 API 结合起来，使用 TensorFlow 的数据格式 TFRecords 来实现一个在 CIFAR-10 数据集上的 CNN 模型。完整代码可在我的 GitHub 上找到。
Note：本篇博文中的模型并不是结果最好的模型，仅仅是为了展示如何将 Estimators 和 Datasets 结合起来使用。
我会在这里列出对本文的更新。
- 2018 年 5 月 1 日：增加使用已训练的模型进行预测的 demo。
你可以使用 python cifar10_estimator_dataset.py --help 来查看可选参数：
USAGE: cifar10_estimator_dataset.py [flags]
flags:
cifar10_estimator_dataset.py:
--batch_size: Batch size
(default: '64')
(an integer)
--dropout_rate: Dropout rate
(default: '0.5')
(a number)
--eval_dataset: Filename of evaluation dataset
(default: 'eval.tfrecords')
--learning_rate: Learning rate
(default: '0.001')
(a number)
--model_dir: Filename of testing dataset
(default: 'models/cifar10_cnn_model')
--num_epochs: Number of training epochs
(default: '10')
(an integer)
--test_dataset: Filename of testing dataset
(default: 'test.tfrecords')
--train_dataset: Filename of training dataset
(default: 'train.tfrecords')
TFRecords 和 TensorBoard 文件（包括我做的所有 run）较大，没有放到 GitHub 上，你可以从百度盘上获取：
- TFRecords（133.4 MB），密码：
dp7u - TensorBoard（1.45 GB），密码：
6885
为了让大家对模型架构先有个清晰地了解，我先把 TensorBoard （不熟悉 TensorBoard 的话可以参考这里）中显示的模型架构图贴出来（数据集我也就不介绍了，这是个很常用的数据集，如有不熟悉的可以参看这里）：
模型架构
可以看到两层卷积层，两层池化层，两层 BN 层，一层 dropout，三层全连接层（DENSE）。
在给模型「喂」数据的时候，我们的流程大概是这样的：
-
创建一个
Dataset对象来表示我们的数据集，有多种方法可以创建一个Dataset对象，我说几个比较常用的：tf.data.Dataset.from_tensor_slices()：这种方法适合于你的数据集是 numpy 数组类型的。tf.data.TFRecordDataset()：这是本文所使用的方法，适合于你的数据集是 TFRecords 类型的。tf.data.TextLineDataset()：适合于你的数据集是 txt 格式的。
-
对数据集进行一些预处理：
Dataset.map()：和普通的map函数一样，对数据集进行一些变换，例如图像数据集的类型转换（uint8 -> float32）以及reshape等。Dataset.shuffle()：打乱数据集Dataset.batch()：将数据集切分为特定大小的 batchDataset.repeat()：将数据集重复多次。如果不使用这个方法，在第一次遍历到数据集的结尾的时候，会抛出一个tf.errors.OutOfRangeError异常，表示数据集已经遍历完毕。但是实际中我们可能需要对数据集迭代训练不止一次，这时候就要用repeat()来重复数据集多次。如果不加任何参数，那么表示重复数据集无穷多次。
-
使用
Iterator的get_next()方法来每次获取一个 batch 的数据（假如你是使用 mini-batch 训练的话）。目前 TensorFlow 提供四种Iterator（详细见 Creating an iterator）：- one-shot：这是本文程序所使用的方法，使用
Dataset.make_one_shot_iterator()来创建，不需要初始化。官方有这么一句话：Note: Currently, one-shot iterators are the only type that is easily usable with an Estimator. 不过呢，我也发现外国友人 Peter Roelants 写了个例子将下面的 initializable Iterator 和 Estimator 一起使用，见 Example using TensorFlow Estimator, Experiment & Dataset on MNIST data。 - initializable：使用
Dataset.make_initializable_iterator()创建，需要使用iterator.initializer初始化。该方式可以允许你自定义数据集，例如你的数据集是range(0, max_value)，这里面max_value是一个Tensor，在初始化的时候你需要赋值。 - reinitializable：这是种比较复杂的方式，简单来说也就是使你可以从多个不同的
Dataset对象获取数据，详细可见 Creating an iterator。 - feedable：同样比较复杂，当然更灵活，可以针对不同的
Dataset对象和tf.Session.run使用不同的Iterator，详细可见 Creating an iterator。
- one-shot：这是本文程序所使用的方法，使用
在 Estimator 中，我们输入必须是一个函数，这个函数必须返回特征和标签（或者只有特征），所以我们需要把上面的内容写到一个函数中。因为训练输入和验证输入是不一样的，所以需要两个输入函数：train_input_fn 和 eval_input_fn。为了保持文章简洁，我下面只列出 train_input_fn，eval_input_fn 和其大同小异。
此处我使用了
tf.data.TFRecordDataset，所以你需要将你的数据集写成 TFRecords 格式，比如train.tfrecords。TFRecords 格式每行表示一个样本（record），关于如何将数据集写成 TFRecords 格式，我将在另一篇博文中说明。
def train_input_fn():
'''
训练输入函数，返回一个 batch 的 features 和 labels
'''
train_dataset = tf.data.TFRecordDataset(FLAGS.train_dataset)
train_dataset = train_dataset.map(parser)
# num_epochs 为整个数据集的迭代次数
train_dataset = train_dataset.repeat(FLAGS.num_epochs)
train_dataset = train_dataset.batch(FLAGS.batch_size)
train_iterator = train_dataset.make_one_shot_iterator()
features, labels = train_iterator.get_next()
return features, labels而其中的 map 函数的参数 parser 也是一个函数，用于将图片和标签从 TFRecords 中解析出来。
def parser(record):
keys_to_features = {
'image_raw': tf.FixedLenFeature((), tf.string),
'label': tf.FixedLenFeature((), tf.int64)
}
parsed = tf.parse_single_example(record, keys_to_features)
image = tf.decode_raw(parsed['image_raw'], tf.uint8)
image = tf.cast(image, tf.float32)
label = tf.cast(parsed['label'], tf.int32)
return image, label到此，关于模型的 input pipeline 就差不多结束了。下面就是模型的核心部分了：定义一个模型函数 model_fn。
上面是定义了 input pipeline，那么现在该来定义模型架构了。模型大致架构就是上面的模型架构图。该函数需要返回一个定义好的 tf.estimator.EstimatorSpec 对象，对于不同的 mode，所必须提供的参数是不一样的：
- 训练模式，即
mode == tf.estimator.ModeKeys.TRAIN，必须提供的是loss和train_op。 - 验证模式，即
mode == tf.estimator.ModeKeys.EVAL，必须提供的是loss。 - 预测模式，即
mode == tf.estimator.ModeKeys.PREDICT，必须提供的是predicitions。
为保持文章简洁，我省略了一些重复性代码。
def cifar_model_fn(features, labels, mode):
"""Model function for cifar10 model"""
# 输入层
x = tf.reshape(features, [-1, 32, 32, 3])
# 第一层卷积层
x = tf.layers.conv2d(inputs=x, filters=64, kernel_size=[
3, 3], padding='same', activation=tf.nn.relu, name='CONV1')
x = tf.layers.batch_normalization(
inputs=x, training=mode == tf.estimator.ModeKeys.TRAIN, name='BN1')
# 第一层池化层
x = tf.layers.max_pooling2d(inputs=x, pool_size=[
3, 3], strides=2, padding='same', name='POOL1')
# 你可以添加更多的卷积层和池化层 ……
# 全连接层
x = tf.reshape(x, [-1, 8 * 8 * 128])
x = tf.layers.dense(inputs=x, units=512, activation=tf.nn.relu, name='DENSE1')
# 你可以添加更多的全连接层 ……
logits = tf.layers.dense(inputs=x, units=10, name='FINAL')
# 预测
predictions = {
'classes': tf.argmax(input=logits, axis=1, name='classes'),
'probabilities': tf.nn.softmax(logits, name='softmax_tensor')
}
if mode == tf.estimator.ModeKeys.PREDICT:
return tf.estimator.EstimatorSpec(mode=mode, predictions=predictions)
# 计算损失（对于 TRAIN 和 EVAL 模式）
onehot_labels = tf.one_hot(indices=tf.cast(labels, tf.int32), depth=10)
loss = tf.losses.softmax_cross_entropy(onehot_labels, logits, scope='LOSS')
# 评估方法
accuracy, update_op = tf.metrics.accuracy(
labels=labels, predictions=predictions['classes'], name='accuracy')
batch_acc = tf.reduce_mean(tf.cast(
tf.equal(tf.cast(labels, tf.int64), predictions['classes']), tf.float32))
tf.summary.scalar('batch_acc', batch_acc)
tf.summary.scalar('streaming_acc', update_op)
# 训练配置（对于 TRAIN 模式）
if mode == tf.estimator.ModeKeys.TRAIN:
update_ops = tf.get_collection(tf.GraphKeys.UPDATE_OPS)
optimizer = tf.train.RMSPropOptimizer(learning_rate=FLAGS.learning_rate)
with tf.control_dependencies(update_ops):
train_op = optimizer.minimize(
loss=loss, global_step=tf.train.get_global_step())
return tf.estimator.EstimatorSpec(mode=mode, loss=loss, train_op=train_op)
eval_metric_ops = {
'accuracy': (accuracy, update_op)
}
return tf.estimator.EstimatorSpec(mode=mode, loss=loss, eval_metric_ops=eval_metric_ops)至此，input pipeline 和模型都已经定义好了，下一步就是实际的 run 了。
首先我们需要创建一个 tf.estimator.Estimator 对象：
cifar10_classifier = tf.estimator.Estimator(
model_fn=cifar_model_fn, model_dir=FLAGS.model_dir)其中 model_dir 是用于存放模型文件和 TensorBoard 文件的目录。
然后开始训练和验证：
cifar10_classifier.train(input_fn=train_input_fn)
eval_results = cifar10_classifier.evaluate(input_fn=eval_input_fn)程序结束后你便可以在你的 model_dir 里看到类似如下的文件结构：
model_dir 中的文件结构
然后你可以使用 tensorboard --logdir=/your/model/dir（Linux 中你可能需要使用 python -m tensorboard.main --logdir=/your/model/dir）来在 TensorBoard 中查看训练信息，默认只有 SCALARS 和 GRAPHS 面板是有效的，你也可以自己使用 tf.summary 来手动添加 summary 信息。
在训练好模型之后，模型文件已经保存到了 FLAGS.model_dir 中，那么在对新样本进行预测时只需要调用 estimator 的 predict() 方法进行预测就行了。
def infer(argv=None):
'''Run the inference and return the result.'''
config = tf.estimator.RunConfig()
config = config.replace(model_dir=FLAGS.saved_model_dir)
estimator = get_estimator(config)
predict_input_fn = tf.estimator.inputs.numpy_input_fn(
x=load_image(), shuffle=False)
result = estimator.predict(input_fn=predict_input_fn)
for r in result:
print(r)
def load_image():
'''Load image into numpy array.'''
images = np.zeros((10, 3072), dtype='float32')
for i, file in enumerate(Path('predict-images/').glob('*.png')):
image = np.array(Image.open(file)).reshape(3072)
images[i, :] = image
return images这是主要的两个函数，完整代码见 cifar10_estimator_dataset_predict.py。
有几点需要说明：
- 我把要预测的图片放在了
predict-images/文件夹下，你可以自由更改这个地址。 - 这里我使用了
tf.estimator.inputs.numpy_input_fn()来作为预测的输入函数，该函数可以直接接受 numpy array 作为输入。除此之外，你还可以像cifar10_estimator_dataset.py中的train_input_fn()一样，使用tf.data.Dataset.from_tensor_slices()或者tf.data.TFRecordDataset()，再结合Dataset.make_one_shot_iterator()来定义一个预测输入函数。
用法很简单，假设你的模型文件放在 models/cifar10 下，那么在命令行执行下面的语句即可：
python cifar10_estimator_dataset_predict.py --saved_model_dir models/cifar10
--saved_model_dir 的默认值是 models/adam。
执行完后可以看到类似下面这样的输出结果，当然下面的结果很差，由于时间有限我也没有过多的调模型，这里只是说明下过程：
总的来说，使用 Datasets 和 Estimators 来训练模型大致就是这么几个步骤：
- 定义输入函数，在函数中对你的数据集做一些必要的预处理，返回 features 和 labels。
- 定义模型函数，返回
tf.estimator.EstimatorSpec对象。 - 使用模型函数创建
tf.estimator.Estimator对象。 - 使用创建好的对象 train and evaluate。
如果你设置 num_epochs 为比如说 30，然而你在训练的时候看到类似如下的控制台输出：
INFO:tensorflow:global_step/sec: 0.476364
INFO:tensorflow:loss = 0.137512, step = 14901 (209.924 sec)
INFO:tensorflow:global_step/sec: 0.477139
INFO:tensorflow:loss = 0.0203241, step = 15001 (209.583 sec)
INFO:tensorflow:global_step/sec: 0.477511
INFO:tensorflow:loss = 0.132834, step = 15101 (209.419 sec)
你可以看到 step 已经上万了，这是因为这里的 step 指的是一个 batch 的训练迭代，而 num_epochs 设为 30 意味着你要把整个训练集遍历 30 次（也是我们通常的做法）。也就是说，假如你有 50000 个样本，batch 大小为 50，那么你的数据集将被切分为 1000 个 batch，也就是遍历一遍数据集需要 1000 step，所以说 num_epochs 为 30 时，你的程序需要到 step=30000 才会训练结束。所以切记 num_epochs 表示的是整个训练集的迭代次数。
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent