Python TensorFlow：评估和推断之间的差异

tf.contrib.learn.ModeKeys.EVAL

和

tf.contrib.learn.ModeKeys.expert

之间有什么区别

另外，如何将它们与

tf.contrib.learn.Estimator

类对象一起使用

我正试图学习本教程：，我正在努力理解每种“模式”的用途

---

API文档：

似乎EVAL与推断的不同之处在于，EVAL是在训练期间评估模型时使用的模式，而推断是在模型已经训练且纯粹用于预测时使用的模式。例如，在链接的教程中，当模型用于评估或训练模式，但不用于推断模式时，损失函数op包含在图形中。因为在进行培训进度评估（评估模式）时，知道损失函数的值是有用的，但当您纯粹对生成预测（推断模式）感兴趣时，您不需要它。

这就是我的想法，然而，我看到的大多数教程似乎将培训/评估分为不同的模式（甚至不同的脚本）。这对我来说没有意义，因为似乎验证/评估步骤应该在培训步骤中迭代进行，作为在培训期间跟踪进度的一种方式，而不是在培训后评估绩效。如果是这种情况，验证和测试基本上是做同一件事。那么，培训和验证做不同的事情，使用不同的数据，所以在tensorflow图中，它们是单独的操作。例如，如果您使用dropout或dropconnect，您可能希望在进行评估或推理时将其关闭，但在进行培训时将其打开。