使用 google cloud ML 训练模型时：
官方的例子https://github.com/GoogleCloudPlatform/cloudml-samples/blob/master/census/tensorflowcore/trainer/task.py 使用了钩子、is_client、MonitoredTrainingSession 和其他一些复杂性。
这是 cloud ml 所必需的还是足够使用此示例：https://github.com/amygdala/tensorflow-workshop/tree/master/workshop_sections/wide_n_deep？
文档在最佳实践和优化方面有些局限，GCP ML 是否会处理客户端/工作模式，或者我们是否需要设置设备，例如replica_device_setter等等？
【问题讨论】：
标签： google-cloud-platform google-cloud-ml
CloudML Engine 在很大程度上与您编写 TensorFlow 程序的方式无关。你提供一个 Python 程序，服务为你执行它，为它提供一些 environment variables，你可以使用它来执行分布式训练（如果需要），例如任务索引等。
census/tensorflowcore 演示了如何使用“核心”TensorFlow 库做事——如何“从头开始”做所有事情，包括使用replica_device_setters、MonitoredTrainingSessions 等。有时这可能是必要的，以获得最大的灵活性，但可能很乏味。
除了 census/tensorflowcore 示例之外，您还会看到一个名为 census/estimator 的示例。这个例子基于一个更高级别的库，不幸的是它位于contrib，因此还没有一个完全稳定的 API（预计会有很多弃用警告等）。预计它会在 TensorFlow 的未来版本中稳定下来。
那个特别的库（称为Estimators）是一个更高级别的API，可以为您处理很多繁琐的工作。它将为您解析TF_CONFIG 并设置replica_device_setter 以及处理MonitoredTrainingSession 和必要的Hooks，同时保持可定制性。
这是您所指的广泛而深入的示例所基于的库，并且它们在服务上得到完全支持。
【讨论】：