TensorFlow模型详解与应用

　　DNNLinearCombinedClassifier 类继承于类 Estimator，Estimator 类继承于类 BaseEstimator。BaseEstimator 是一个抽象类，定义了通用的模型训练以及评测的函数接口 （train_model， evaluate_model， infer_model），Estimator 类中用一个统一函数 call_model_fn 来实现 train_model， evaluate_model， infer_model。

　　图 7 estimator 的类关系图

　　为了更好了解整个过程，我们看看内部函数的调用过程（代码可以参见 estimator/estimator.py）：

　　图 8 Estmiator 类的函数调用图

　　模型训练通过调用 BaseEstimator 的 fit（） 接口开始，其调用栈是：fit -》 _train_model -》 _get_train_ops -》_call_model_fn（ModelKeys.TRAIN） -》 _model_fn，最终_model_fn（） 产生模型并通过 export 函数将模型输出到 model_dir 对应目录中。

　　我们把训练模型的调用过程在代码级别展开，标出关键的几个函数和数据结构，省略不关键的代码，希望能让读者看到训练模型的大致过程：

　　图 9 模型训练的调用栈

　　评测（evaluate）和预测（predict）的过程与训练（train）大致相同，读者可以通过源代码文件找到对应函数了解。可以看出，整个函数调用栈中最关键的 2 个函数是： input_fn 和 model_fn。input_fn 从输入数据中生成 features 和 labels，features 是一个 Tensor 或者是一个从特征名到 Tensor 的字典，如果 features 是一个 Tensor，程序会给这个 Tensor 一个空字符串的键值，转换成特征名到 Tensor 的字典。labels 是样本的 label 构成的 tensor。input_fn 由应用程序调用者提供实现，返回（features， labels）二元组，要求 tf.get_shape（features）［0］ == tf.get_shape（labels）［0］，也就是两个 tensor 的行数目得保持一致。model_fn 定义训练和评测模型的具体逻辑，如模型训练产生的误差 （model_fn_ops.loss） 以及训练算子（model_fn_ops.train_op）通过封装在 EstmiatorSpec 的对象中由 training 的 Session 进行调用。每个具体模型需要实现的是自定义的 model_fn。

　　DNNLinearCombinedClassifier 是如何实现自己的 model_fn 的呢？本文开头我们给出了它的初始化函数原型，进入初始化函数的实现中我们定位到代码行 model_fn=_dnn_linear_combined_model_fn。

　　这个就是 DNNLinearCombinedClassifier 的 model_fn。这个函数的定义如下：

　　def_dnn_linear_combined_model_fn（features， labels， mode， params， config= None）

　　features 和 labels 大家都已经知道，mode 指定 model_fn 的操作模式，目前支持 3 个值：训练模型 （model_fn.ModeKeys.TRAIN），对模型进行评测 （model_fn.ModeKeys.EVAL），根据输入特征进行预测 （model_fn.ModeKeys.PREDICT），mode 的定义可参见文件 estimator/model_fn.py。params 和 config 参数分别定义模型训练的参数以及模型运行的配置。