关于tensorflow入门教程的问题

Question

所以我正在阅读tensorflow getstarted tutorial，我发现它很难理解。关于每个功能以及为什么需要（或不需要）它们都缺少很多解释。

1. 在 tf.estimator 部分中，“x_eval”和“y_eval”数组的含义或它们应该是什么？ x_train 和 y_train 数组为给定的 x 坐标提供所需的输出（即对应的 y 坐标） .但是 x_eval 和 y_eval 值不正确：对于 x=5，y 应该是 -4，而不是 -4.1。这些价值观从何而来？ x_eval 和 y_eval 是什么意思？他们有必要吗？他们是如何选择这些价值观的？

2. “input_fn”（“fn”是什么意思？）和“train_input_fn”之间的区别。我看到唯一的区别是一个有

num_epochs=None, shuffle=True num_epochs=1000, shuffle=False

但我不明白“input_fn”或“train_input_fn”是/做什么，或者两者之间有什么区别，或者两者都是必要的。

3.在

estimator.train(input_fn=input_fn, steps=1000)

一段代码，我不明白“steps”和“num_epochs”之间的区别。每一个的含义是什么？你也可以有 num_epochs=1000 和 steps=1000 吗？

4. 最后一个问题是，我如何获得 W 和 b？在以前的方法中（不使用 tf.estimator），他们明确地发现 W=-1 和 b=1。如果我正在做一个更复杂的神经网络，涉及偏差和权重，我想我想恢复权重和偏差的实际值。这就是我使用 tensorflow 来查找权重的全部意义所在！那么如何在 tf.estimator 示例中恢复它们呢？

这些只是我在阅读“getStarted”教程时遇到的一些问题。我个人认为它还有很多值得期待的地方，因为目前还不清楚每件事的作用，你最多只能猜到。

Answer 1

我同意你的观点，tf.estimator 在这个“入门”教程中没有很好地介绍。我还认为一些机器学习背景有助于理解本教程中发生的事情。

---

至于你的问题的答案：

1. 在机器学习中，我们通常在训练集上最小化模型的损失，然后在评估集上评估模型的性能。这是因为很容易过度拟合训练集并获得 100% 的准确率，因此使用单独的验证集使得以这种方式作弊变得不可能。

   • 这里(x_train, y_train)对应的是训练集，这里得到了W=-1, b=1的全局最小值。
   • 验证集(x_eval, y_eval) 不必完全遵循训练集的分布。虽然我们可以在训练集上损失0，但在验证集上损失很小，因为我们没有精确的y_eval = - x_eval + 1

2. input_fn 表示“输入函数”。这是为了表明对象input_fn是一个函数。
   在tf.estimator 中，如果要训练估计器（estimator.train()）或评估它（estimator.evaluate()），则需要提供输入函数。

   • 通常您需要不同的转换来进行训练或评估，因此您有两个函数train_input_fn 和eval_input_fn（本教程中的input_fn 几乎等同于train_input_fn，只是令人困惑）。
   • 例如，在训练期间，我们希望训练多个 epoch（即在数据集上多次）。对于评估，我们只需要通过验证数据来计算我们需要的指标

3. epoch 数是我们重复整个数据集的次数。例如，如果我们训练 10 个 epoch，模型将看到每个输入 10 次。
   当我们训练机器学习模型时，我们通常使用小批量数据。例如，如果我们有 1000 张图像，我们可以批量训练 100 张图像。因此，训练 10 个 epoch 意味着训练 100 批数据。

4. 一旦估计器被训练，您可以通过estimator.get_variable_names()访问变量列表和通过estimator.get_variable_value()访问变量的值。
   通常我们永远不需要这样做，因为我们可以使用经过训练的估计器来预测新示例，使用estimator.predict()。

---

如果您觉得入门很混乱，您可以随时提交 GitHub 问题告诉 TensorFlow 团队并解释您的观点。