我看到很多使用MonitoredTrainingSession 或tf.Estimator 作为训练框架的例子。但是，尚不清楚为什么我会使用其中一个。两者都可以使用SessionRunHooks 进行配置。两者都与tf.data.Dataset 迭代器集成，并且可以提供训练/验证数据集。我不确定一种设置有什么好处。
【问题讨论】：
标签： python tensorflow machine-learning tensorflow-estimator
简短的回答是 MonitoredTrainingSession 允许用户访问 Graph 和 Session 对象以及训练循环，而 Estimator 向用户隐藏图形和会话的详细信息，通常可以更轻松地运行训练，尤其是，如果您需要定期评估，请使用train_and_evaluate。
MonitoredTrainingSession 与普通的 tf.Session() 不同之处在于它处理变量初始化、设置文件编写器以及包含分布式训练的功能。
另一方面，Estimator API 是一个高级构造，就像Keras。在示例中可能使用较少，因为它是稍后介绍的。它还允许使用DistibutedStrategy 分发训练/评估，并且它有几个允许快速原型制作的罐装估计器。
在模型定义方面，它们非常相似，都允许使用keras.layers，或者从头开始定义完全自定义的模型。因此，如果出于某种原因，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
【讨论】：