Python 受监控的培训课程如何运作？

我试图理解使用

tf.Session

和

tf.train.MonitoredTrainingSession

之间的区别，以及我可能更喜欢其中一个而不是另一个。当我使用后者时，似乎可以避免许多“杂务”，例如初始化变量、启动队列运行程序或为摘要操作设置文件编写器。另一方面，对于受监控的培训会话，我无法明确指定要使用的计算图。这一切对我来说似乎都很神秘。这些类是如何创建的，我还不了解它们背后的一些基本原理吗？

我无法对这些类是如何创建的给出一些见解，但我认为以下几点与如何使用它们相关

tf.Session

是python TensorFlow API中的低级对象， 正如您所说的，

tf.train.MonitoredTrainingSession

具有许多方便的特性，在大多数常见情况下尤其有用

在描述

tf.train.MonitoredTrainingSession

的一些好处之前，让我先回答一下关于该会话使用的图形的问题。您可以通过在图形中使用上下文管理器

，指定
MonitoredTrainingSession
使用的
tf.Graph
。默认值为（）

因此，正如您所说，使用
MonitoredTrainingSession
的好处在于，这个对象负责


初始化变量
启动队列运行程序以及
设置文件编写器

但它还有一个好处，就是使代码易于分发，因为它的工作方式也有所不同，这取决于您是否将正在运行的进程指定为主进程

例如，您可以运行以下操作：

def run_my_model(train_op, session_args):
    with tf.train.MonitoredTrainingSession(**session_args) as sess:
        sess.run(train_op)

您将以非分布式方式调用：

run_my_model(train_op, {})`

或以分布式方式（有关输入的更多信息，请参阅）：

另一方面，使用原始
tf.Session
对象的好处是，您没有
tf.train.MonitoredTrainingSession
的额外好处，如果您不打算使用它们，或者想要获得更多的控制权（例如队列的启动方式），这可能会很有用

编辑（根据评论）：
对于op初始化，您必须执行以下操作（参见：

对于QueueRunner，我想让您参考，在这里您可以找到更完整的示例

编辑2：

了解
tf.train.MonitoredTrainingSession
如何工作的主要概念是
\u WrappedSession
类：

此包装器用作各种会话包装器的基类
提供额外功能，如监控、协调、，
和恢复

tf.train.MonitoredTrainingSession
的工作方式如下：


它首先检查它是主管还是工人（参见词汇问题）
它开始提供的钩子（例如，
StopAtStepHook
将在此阶段检索
global\u步骤
tensor）
它创建了一个会话，该会话是一个
主管
（或
工作者
会话），被包装成
\u HookedSession
被包装成
\u CoordinatedSession
被包装成
\u RecoverableSession

主管
/
工人
会话负责运行由
脚手架
提供的初始化ops。

chief
会话还负责所有检查点部分：例如，使用
Saver
从
Scaffold
从检查点恢复
\u HookedSession
基本上是用来修饰
run
方法的：它在运行之前调用
\u call\u hook
和运行之后调用
方法（如果相关）

在创建时，
\u CoordinatedSession
构建一个
协调器
，该协调器启动队列运行程序并负责关闭它们
\u RecoverableSession
将确保在出现
tf.errors.AbortedError
的情况下重试

总之，
tf.train.MonitoredTrainingSession
避免了大量锅炉板代码，同时易于通过挂钩机制进行扩展。
谢谢-您能给出一些（伪？）吗关于如何使用普通会话替换MonitoredTrainingSession代码的代码？这相当复杂-例如，显然MTS将完成（默认/）图形：谢谢-
tf。initialize_all_variables（）
已弃用顺便说一句，它们很快就被弃用了。我感兴趣的是“引擎盖下的动作”-应该按照-这里的图形（哪个图形…）来查看代码例如，是最终确定的。所以MTS做了很多事情——正如我在上一个问题中讨论的那样，这可能会导致令人不快的意外。对操作执行的系列进行详细说明会很有趣——不能再进一步了。尽管我添加了一些关于MTS内部工作方式的描述，我希望这会有所帮助。（我还将初始化器修改为
tf.global\u variables\u initializer（）
。感谢您发现了它。非常感谢，将通过-您可以从版本1.1开始将
转到代码链接吗？在github上查看代码时点击y，它将变成特定提交的链接（非常重要，否则链接会断开）我认为尼古拉斯的回答应该涵盖了你——不？
run_my_model(train_op, {})`

run_my_model(train_op, {"master": server.target,
                        "is_chief": (FLAGS.task_index == 0)})

# Define your graph and your ops
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init_p)
    sess.run(your_graph_ops,...)

  scaffold: A `Scaffold` used for gathering or building supportive ops. If
not specified a default one is created. It's used to finalize the graph.