Tensorflow 使用tf.estimator.estimator时，步长始终为0

我一直在努力学习最近从contrib迁移到MainAPI的layers and estimators框架。我遇到了一个相当奇怪的问题。我为MNIST编写了一个简单的自动编码器，但不知怎的，当我训练时，它总是说我在第0步，即使损失值在减少，所以我猜模型正在训练。当然，因为它不计算步骤，所以它不保存检查点，也不保存任何摘要。我不确定我做错了什么，所有的文档都指向旧的“tf.contrib.learn”框架，那里的很多API似乎都被标记为不推荐使用。我该怎么做？这是我的密码：

def encoder(x):
    l1 = tf.layers.dense(x, 256, activation=tf.nn.relu, name='encode1')
    l2 = tf.layers.dense(l1, 128, activation=tf.nn.relu, name='encode2')
    return l2

def decoder(x):
    l1 = tf.layers.dense(x, 256, activation=tf.nn.relu, name='decode1')
    l2 = tf.layers.dense(l1, 784, activation=tf.nn.relu, name='decode2')
    return l2

def loss(labels, preds):
    return tf.losses.huber_loss(labels, preds)

def train(loss):
    optimizer = tf.train.AdamOptimizer()
    return optimizer.minimize(loss)

def model_fn(features, labels, mode):
    _encoder = encoder(features)
    _decoder = decoder(_encoder)
    _loss = loss(labels, _decoder)
    _train = train(_loss)
    return tf.estimator.EstimatorSpec(mode=mode,
                                      predictions=_decoder,
                                      loss=_loss,
                                      train_op=_train)

data = input_data.read_data_sets(".", one_hot=True)
display.clear_output()
# remove current log dir
shutil.rmtree('logs', ignore_errors=True)

def input_fn():
    if data.train.epochs_completed <= 10:
        features, labels = data.train.next_batch(100)
        return tf.constant(features), tf.constant(features)
    raise StopIteration

estimator = tf.estimator.Estimator(model_fn, "logs")
estimator.train(input_fn=input_fn)

---

在

training op

中，您需要设置

global\u step

参数，该参数是针对每个模型训练运行递增的步长计数器。因此，请改为：

optimizer.minimize(loss, global_step=tf.train.get_global_step())

---

非常感谢。这似乎是一件需要内部处理的事情，毕竟train op是定义好的，所以为什么它不能计算它运行的次数。甚至我都很惊讶为什么它没有在内部完成。但是这本指南提到了如何定义培训op：是的，我有点希望这些东西在1.3中得到澄清。1.2在核心tensorflow API和tf.contrib.learn API之间似乎有很多混淆。我已经发布了另外两个关于使用estimator框架的问题。你能看一下吗？当然，我去看看

optimizer.minimize(loss, global_step=tf.train.get_global_step())