API de Tensorflow Estimator

¿Qué es la API de Tensorflow Estimator?

Los Estimators representan un modelo completo, pero también son lo suficientemente intuitivos para los usuarios con menos experiencia. La API de Estimator proporciona métodos para entrenar el modelo, evaluar su exactitud y generar predicciones. TensorFlow proporciona un stack de programación que consta de varias capas de API, como en la siguiente imagen:

Hay dos tipos de estimators; puedes elegir los Estimators prediseñados o escribir tus propios Estimators personalizados. Los modelos basados en Estimators se pueden ejecutar en hosts locales y en entornos distribuidos de varios servidores sin necesidad de cambiar el modelo. Además, puedes ejecutar modelos basados en Estimators en CPU, GPU o TPU sin tener que recodificar tu modelo.

Los Estimadores encapsulan cuatro características principales:

• Entrenamiento- entrenan un modelo con una entrada determinada durante un número fijo de pasos
• Evaluación- evalúan el modelo basándose en un conjunto de prueba.
• Predicción-  los estimadores ejecutarán la inferencia usando el modelo entrenado.
• Exportar tu modelo para el servicio.

Además, el Estimator incluye comportamientos predeterminados comunes a los trabajos de entrenamiento, como guardar y restaurar puntos de control, crear resúmenes, etc. Un Estimador requerirá que escribas una model_fn y una input_fn que correspondan a las partes del modelo y de la entrada de tu grafo de TensorFlow.

Los estimadores ofrecen numerosos beneficios:

• Los Estimators simplifican el intercambio de implementaciones entre los desarrolladores de modelos.
• Puedes desarrollar un gran modelo con código intuitivo de alto nivel, ya que suelen ser más fáciles de usar para crear modelos en comparación con las API de bajo nivel de TensorFlow.
• Los Estimators están construidos sobre tf.keras.layers, lo que hace que la personalización sea mucho más fácil.
• Los Estimators te facilitarán la vida al construir el grafo por ti.
• Los Estimators proporcionan un bucle de entrenamiento distribuido seguro que controla cómo y cuándo:
  • construir el grafo
  • inicializar variables
  • cargar los datos
  • manejar las excepciones
  • crear archivos de puntos de control y recuperarse de las fallas
  • guardar resúmenes para TensorBoard