Tensorflow 学习API训练更快？

我目前正在试验tensorflow API，需要retain.py的帮助，以便重新培训inception

我正在试用新的tf.contrib.learn API，并希望将retain.py更改为使用新的高级API

但是，目前我面临的问题是
1.在原始脚本中的Tensorboard日志功能上移植
2.定义输入以小批量返回数据

我试着在网上找到这方面的例子，但没有找到。 我可以知道你们中是否有人尝试过这样做，以及你们是如何解决上述问题的吗

除此之外，我想知道这两种计算精度指标的方法是否有任何差异。我这样问是因为我在flower_photos样本数据集上得到了96%的准确率，通过将模型移植到tf.contrib.learn，这比原来的91%有了显著的改进

方法1：在模型fn函数中使用eval_度量_ops

# Calculate accuracy as additional eval metric
eval_metric_ops = {
    "accuracy": tf.metrics.accuracy(targets, one_hot_classes)
}

方法2：在原始retain.py中手动计算

with tf.name_scope('accuracy'):
with tf.name_scope('correct_prediction'):
    prediction = tf.argmax(result_tensor, 1)
    correct_prediction = tf.equal(
        prediction, tf.argmax(ground_truth_tensor, 1))
with tf.name_scope('accuracy'):
    evaluation_step = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

---

方法1是累积的，而方法2只计算一批的准确度。谢谢你的回复，我可以知道你从哪里得到方法1是累积的信息吗？