Python 在TensorFlow中使用MonitoredTrainingSession vs Estimator的原因是什么

我看到许多例子都使用

MonitoredTrainingSession

或

tf.Estimator

作为培训框架。然而，我不清楚为什么我会使用一个而不是另一个。两者都可以通过

SessionRunHooks

配置。两者都与

tf.data.Dataset

迭代器集成，并可以为训练/val数据集提供数据。我不确定一个设置的好处是什么。

简单的回答是，

监控培训会话

允许用户访问图形和会话对象以及培训循环，而

估计器

对用户隐藏图形和会话的细节，并且通常更容易运行培训，尤其是，如果需要定期评估，请使用

训练和评估

MonitoredTrainingSession
不同于普通的tf.Session（），它处理变量初始化、设置文件编写器，还集成了分布式培训的功能

另一方面，
Estimator API
，是一个类似于
Keras
的高级构造。在示例中可能使用较少，因为它是在后面介绍的。它还允许使用
分布式策略
分发培训/评估，并且它有几个可以快速原型化的固定估计器

就模型定义而言，它们相当相等，都允许使用
keras.layers
，或者从头定义完全自定义的模型。因此，如果出于任何原因，您需要访问图形构造或自定义训练循环，请使用
MonitoredTrainingSession
。如果您只想定义模型、训练模型、运行验证和预测，而不需要额外的复杂性和样板代码，请使用
Estimator
简而言之，
MonitoredTrainingSession
允许用户访问图形和会话对象，以及训练循环，而
Estimator
会向用户隐藏图表和会话的详细信息，并且通常会使运行培训变得更容易，特别是在需要定期评估的情况下，使用
train\u和\u evaluate

MonitoredTrainingSession
不同于普通的tf.Session（），它处理变量初始化、设置文件编写器，还集成了分布式培训的功能

另一方面，
Estimator API
，是一个类似于
Keras
的高级构造。在示例中可能使用较少，因为它是在后面介绍的。它还允许使用
分布式策略
分发培训/评估，并且它有几个可以快速原型化的固定估计器

就模型定义而言，它们相当相等，都允许使用
keras.layers
，或者从头定义完全自定义的模型。因此，如果出于任何原因，您需要访问图形构造或自定义训练循环，请使用
MonitoredTrainingSession
。如果您只想定义模型、训练模型、运行验证和预测，而不需要额外的复杂性和样板代码，请使用
Estimator