Machine learning TensorFlow中的tf.estimator.estimator和tf.contrib.learn.estimator有什么区别

几个月前，我使用了TensorFlow的

tf.contrib.learn.DNNRegressor

API，我发现它使用起来非常方便。在过去的几个月里，我没有跟上TensorFlow的发展。现在，我有一个项目，我想再次使用回归器，但对实际模型有更多的控制，如

DNNRegressor

所提供的。据我所见，这是由使用

模型fn

参数的

估计器

API支持的

但是TensorFlow API中有两个

估计器

s：

• tf.contrib.learn.Estimator

• tf.estimator.estimator

两者都提供了类似的API，但在用法上略有不同。为什么有两种不同的实现，有没有理由选择一种

---

不幸的是，我在TensorFlow文档中找不到任何区别，也找不到何时使用这两者的指南。实际上，通过TensorFlow教程的学习产生了很多警告，因为一些界面显然已经改变了（不是

x

，

y

参数，而是

input\u fn

参数等等）。

，但我有一些有根据的猜测可能对你有所帮助：

似乎

tf.estimator.estimator

和返回

tf.estimator.estimator.spect

的模型函数是最新示例中使用的函数，也是新代码中使用的函数

---

我现在猜测

tf.contrib.learn.Estimator

是一个早期原型，被

tf.Estimator.Estimator

所取代。根据文档，

tf.contrib

中的所有内容都是不稳定的API，可能随时发生变化，看起来

tf.estimator

模块是从

tf.contrib.learn

模块“进化”而来的稳定API。我假设作者只是忘记了将

tf.contrib.learn.Estimator标记为不推荐的，并且它还没有被删除，所以现有代码不会中断。
我也有同样的问题要问

我猜tf.estimator.estimator是高级接口和推荐用法，而tf.contrib.learn.estimator不是高级接口（但它确实是）

正如Christoph提到的，tf.contrib是不稳定的，因此tf.contrib.learn.Estimator很容易受到更改的影响。它从0.x版本更改为1.1版本，并在2016年12月再次更改。问题是，它们的用法似乎不同。您可以使用tf.contrib.learn.SKCompat包装tf.contrib.learn.Estimator，而对于tf.Estimator.Estimator，您不能做同样的事情。如果您检查错误消息，则型号fn要求/参数不同

结论是这两个估计量是不同的

无论如何，我认为tf doc在这个话题上做得非常糟糕，因为tf.estimator在他们的教程页面上，这意味着他们对此非常认真…
补充Christoph的答案

2017年Tensorflow开发峰会特别提到了这些包之间的区别：

core和contrib之间的区别实际上在于核心内容
不要改变。在2.0版之前，一切都是向后兼容的，现在没有人考虑过这一点

如果你有一些核心，它是稳定的，你应该使用它。如果contrib中有某些内容，则API可能会根据您的需要进行更改
您可能想使用它，也可能不想使用它

因此，您可以将
tf.contrib
包视为“实验性”或“早期预览”。对于已经在
tf.estimator
和
tf.contrib
中的类，您一定要使用
tf.estimator
版本，因为
tf.contrib
类会自动被弃用（即使文档中没有明确说明），并且可以在下一版本中删除

从tensorflow 1.4开始，“分级”课程列表包括：
Estimator
DNNClassifier
，
dnnRecessor
，
LinearClassifier
，
linearRecessor
，
dnnlinearcompbinedClassifier
，
dnnlinearcompbinedRegressor
。这些应该移植到tf.estimator，现在文档中有这样一个明确的声明：

注意：TensorFlow在tf.contrib.learn.Estimator中还包含一个不推荐使用的Estimator类，您不应该使用它。



由于某些原因，它在代码中没有标记为不推荐