TensorFlow 的许多示例应用程序创建 Experiments 并通过调用 tf.contrib.data.learn_runner.run 运行 Experiment 的方法之一。看起来Experiment 本质上是Estimator 的包装器。
创建和运行Experiment 所需的代码看起来比创建、训练和评估Estimator 所需的代码复杂。我确信使用Experiments 有一个优势，但我不知道它是什么。有人可以填我吗？
【问题讨论】：
标签： python tensorflow machine-learning deep-learning tensorflow-estimator
tf.contrib.learn.Experiment 是用于分布式训练的高级 API。以下是它的文档：
Experiment 是一个包含训练一个模型所需的所有信息的类 型号。
创建实验后（通过传递 Estimator 和输入 训练和评估），一个 Experiment 实例知道如何调用 以一种合理的方式训练和评估循环，用于分布式 培训。
就像tf.estimator.Estimator（和派生类）是一个隐藏矩阵乘法、保存检查点等的高级API一样，tf.contrib.learn.Experiment试图隐藏你需要为distributed computation做的样板，即tf.train.ClusterSpec、tf.train.Server、工作、任务等。
您可以在没有Experiment 的单台机器上训练和评估tf.estimator.Estimator。请参阅this tutorial 中的示例。
【讨论】：