在使用TensorFlow进行建模、训练和预测时，可以使用estimator这样的高阶函数方便使用。基本的套路是：
训练 fit
from tensorflow.contrib import learn
classifier = learn.Estimator(model_fn=lstm_model(stepLength, config['lstm_layers'], config['dense_layers']),
model_dir=config['log_dir'])
validation_monitor = learn.monitors.ValidationMonitor(x['val'], y['val'],
every_n_steps=config['print_steps'],
early_stopping_rounds=1000)
classifier.fit(x['train'], y['train'],monitors=[validation_monitor], batch_size=config['batch_size'], steps=len(x['train'])*config['epochs'])
- 初始化classifer
- 配置monitor
- 使用fit函数进行训练
预测 predict
classifier = learn.Estimator(model_fn=lstm_model(stepLength, config['lstm_layers'], config['dense_layers']),
model_dir=config['log_dir'])
pre = classifier.predict(x['test'])
- 初始化classifier，其中model_dir的配置需要指定为和训练相同的目录
- 使用predict
根据官方文档的步骤，这样predict即可使用训练好的模型和参数。
但是实际结果是这样predict会报错，具体错误如下：
ValueError: Tried to convert 'values' to a tensor and failed. Error: None values not supported.
修正后的predict
这其实是learn.predict的一个bug，目前社区还没有fix，不过在issue-3208 给出了work around的方法，在predict之前使用eval，类似于声明classifier并没有实例化，在eval的时候，会将其实例化，这样在之后使用predict的时候就不会再报Error: None values not supported.的错误了。当然这样做的缺点是因为eval会使用TF对模型进行运算至少一次，这样会造成一定的性能损耗。
work around的方法
classifier = learn.Estimator(model_fn=lstm_model(stepLength, config['lstm_layers'], config['dense_layers']),
model_dir=config['log_dir'])
classifier.evaluate(x=x['val'],y=y['val'],steps=1)
pre = classifier.predict(x['test'])
work around.png
