TensorFlow：兼容弃用警告答案

【问题标题】：TensorFlow: SKCompat Depreciation WarningTensorFlow：兼容弃用警告
【发布时间】：2017-07-16 00:27:04
【问题描述】：

注意：我在这里的第一个问题。请原谅缺乏细节或信息。如果需要，非常乐意澄清。

我在 Mac 上运行 TensorFlow 1.0.0，并且在使用 learn.Estimator 类时不断收到此警告

警告：张量流：从 :25：调用适合（来自 tensorflow.contrib.learn.python.learn.estimators.estimator） with y 已弃用，并将在 2016-12-01 之后删除。更新说明：Estimator 与 Scikit Learn 解耦通过移动到单独的类 SKCompat 来进行接口。参数 x、y 和 batch_size 仅在 SKCompat 类中可用，Estimator 将只接受 input_fn。转换示例：est = Estimator(...) -> est = SKCompat(Estimator(...))

我已尝试查找该课程，但关于它的信息为零。完整代码贴在这里

https://github.com/austinmwhaley/DeepFarm/blob/master/prototype_1.ipynb

如果有人需要任何其他信息，请告诉我

【问题讨论】：

我在关注cnn_mnist tutorial 时遇到了类似的问题。根据错误信息，我尝试了类似from tensorflow.contrib.learn.SKCompat import SKCompat 的方法，然后他们用SKCompat() 包装了Estimator。但它不起作用...错误：“没有名为 SKCompat 的模块”。也需要一些帮助！

标签： python machine-learning tensorflow

【解决方案1】：

您可以从 tensorflow.contrib.learn.python 导入 SKCompat：

from tensorflow.contrib.learn.python import SKCompat

然后用 SKCompat() 包装您的估算器，例如像这样：

classifier = SKCompat(tf.contrib.learn.LinearClassifier(args))

【讨论】：

【解决方案2】：

或者您只需使用updated Estimator API of TensorFlow r1.1

模型定义的 API 非常相似，只是在参数、返回类型或函数名称上做了一些小改动。这是我用过的一个例子：

def model_fn():
    def _build_model(features, labels, mode, params):
        # 1. Configure the model via TensorFlow operations
        # Connect the first hidden layer to input layer (features) with relu activation
        y = tf.contrib.layers.fully_connected(features, num_outputs=64, activation_fn=tf.nn.relu,
                                              weights_initializer=tf.contrib.layers.xavier_initializer())
        y = tf.contrib.layers.fully_connected(y, num_outputs=64, activation_fn=tf.nn.relu,
                                              weights_initializer=tf.contrib.layers.xavier_initializer())
        y = tf.contrib.layers.fully_connected(y, num_outputs=1, activation_fn=tf.nn.sigmoid,
                                              weights_initializer=tf.contrib.layers.xavier_initializer())

        predictions = y

        # 2. Define the loss function for training/evaluation
        if mode == tf.estimator.ModeKeys.TRAIN or mode == tf.estimator.ModeKeys.EVAL:
            loss = tf.reduce_mean((predictions - labels) ** 2)
        else:
            loss = None

        if mode != tf.estimator.ModeKeys.PREDICT:
            eval_metric_ops = {
                "rmse": tf.metrics.root_mean_squared_error(tf.cast(labels, tf.float32), predictions),
                "accuracy": tf.metrics.accuracy(tf.cast(labels, tf.float32), predictions),
                "precision": tf.metrics.precision(tf.cast(labels, tf.float32), predictions)
            }
        else:
            eval_metric_ops = None

        # 3. Define the training operation/optimizer
        if mode == tf.estimator.ModeKeys.TRAIN:
            train_op = tf.contrib.layers.optimize_loss(
                loss=loss,
                global_step=tf.contrib.framework.get_global_step(),
                learning_rate=0.001,
                optimizer="Adam")
        else:
            train_op = None

        if mode == tf.estimator.ModeKeys.PREDICT:
            predictions_dict = {"pred": predictions}
        else:
            predictions_dict = None

        # 5. Return predictions/loss/train_op/eval_metric_ops in ModelFnOps object
        return tf.estimator.EstimatorSpec(mode=mode,
                                          predictions=predictions_dict,
                                          loss=loss,
                                          train_op=train_op,
                                          eval_metric_ops=eval_metric_ops)
    return _build_model

然后你可以像这样使用这个模型：

e = tf.estimator.Estimator(model_fn=model_fn(), params=None)
e.train(input_fn=input_fn(), steps=1000)

TensorFlow r1.1 的输入函数示例可以在我的回答 here 中找到。

【讨论】：