有关tensorflow GetStarted教程的问题

Question

所以我正在阅读tensorflow getstarted tutorial，我发现很难遵循。关于每个功能以及为什么它们是必要的（或不是），有很多解释。

1. 在tf.estimator部分，它们应该是什么意思或者它们应该是“x_eval”和“y_eval”数组？ x_train和y_train数组为给定的x坐标提供所需的输出（对应的y坐标）。但x_eval和y_eval值不正确：对于x = 5，y应为-4，而不是-4.1。这些价值来自哪里？ x_eval和y_eval是什么意思？他们是必要的吗？他们是如何选择这些价值的？
2. “input_fn”（“fn”甚至意味着什么？）和“train_input_fn”之间的区别。我看到唯一的区别就是一个人

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

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

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。每个人的意义是什么？你有num_epochs = 1000和步数= 1000吗？

4. 最后一个问题是，我如何获得W和b？在以前的方式中（不使用tf.estimator），他们明确地发现W = -1且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。这就是为什么我使用张量流来找到权重的重点！那么如何在tf.estimator示例中恢复它们呢？

这些只是在阅读“getStarted”教程时遇到的一些问题。我个人认为它留下了很多欲望，因为很不清楚每件事情的作用，你最多可以猜测。

Answer 1

我同意你的看法，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将有助于理解教程中发生的事情。

---

至于你的问题的答案：

1. 在机器学习中，我们通常最小化训练集上模型的损失，然后我们在评估集上评估模型的性能。这是因为它很容易过度匹配训练集并且在其上获得100％的准确性，因此使用单独的验证集使得不可能以这种方式作弊。 这里(x_train, y_train)对应于训练集，其中W=-1, b=1获得全局最小值。 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丢失0，但我们在验证集上获得了一点点损失，因为我们没有完全y_eval = - x_eval + 1
2. input_fn的意思是“输入功能”。这是为了表明对象input_fn是一个函数。 在tf.estimator中，如果要训练估算器（estimator.train()）或评估它（estimator.evaluate()），则需要提供输入函数。 通常你需要不同的训练或评估转换，所以你有两个函数train_input_fn和eval_input_fn（教程中的input_fn几乎相当于train_input_fn，只是令人困惑）。 例如，在训练期间，我们想要训练多个时期（即，在数据集上多次）。对于评估，我们只需要对验证数据进行一次传递即可计算出我们需要的指标
3. 时期数是我们重复整个数据集的次数。例如，如果我们训练10个时期，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1,000张图像，我们可以批量训练100张图像。因此，对10个时期的培训意味着对100批数据进行培训。
4. 训练后，您可以通过estimator.get_variable_names()访问变量列表，通过estimator.get_variable_value()访问变量值。 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算器来预测新的例子，使用estimator.predict()。

---

如果您觉得入门令人困惑，您可以随时提交GitHub问题，告诉TensorFlow团队并解释您的观点。