如何使用tensorflow的Estimator API控制何时计算评估与训练？

2 回答

• 1

  事实上，每200秒或训练结束时，估算人员将从训练阶段切换到评估阶段 .

  但是，我们可以在您的代码中看到您在评估开始之前能够完成125个步骤，这意味着您的培训已经完成 . max_steps是您在停止之前重复训练的时间，有任何与历元数量相关的链接（因为它没有在tf.estimator.train_and_evaluate中使用） . 在培训期间，您的评估指标将出现每个throttle_secs（此处为= 200） .

  关于指标，您可以在模型中添加以下内容：

  predict = tf.nn.softmax(logits, name="softmax_tensor")
  classes = tf.cast(tf.argmax(predict, 1), tf.uint8)
  
  def conv_model_eval_metrics(classes, labels, mode):
      if mode == tf.estimator.ModeKeys.TRAIN or mode == tf.estimator.ModeKeys.EVAL:
          return {
              'accuracy': tf.metrics.accuracy(classes, labels),
              'precision': tf.metrics.precision(classes, labels),
              'recall': tf.metrics.recall(classes, labels),
          }
      else:
          return None
  
  eval_metrics = conv_model_eval_metrics(classes, labels, mode)
  with tf.variable_scope("performance_metrics"):
      #Accuracy is the most intuitive performance measure and it is simply a
          #ratio of correctly predicted observation to the total observations.
      tf.summary.scalar('accuracy', eval_metrics['accuracy'][1])
  
      #How many selected items are relevant
      #Precision is the ratio of correctly predicted positive observations to
          #the total predicted positive observations.
      tf.summary.scalar('precision', eval_metrics['precision'][1])
  
      #How many relevant items are selected
      #Recall is the ratio of correctly predicted positive observations to
          #the all observations in actual class
      tf.summary.scalar('recall', eval_metrics['recall'][1])
  

  在训练和评估过程中遵循张量板的精度，召回率和准确性非常有效 .

  PS：对不起，这是我的第一个回答，这就是为什么阅读它是非常恶心的^^

  回复于 2024-04-29T16:09:02+08:00
• 1

  可以通过输入_fn（）中的一个tf.data.Dataset.repeat（num_epochs）来控制重复 . 训练函数将一直运行，直到消耗了纪元数，然后运行评估函数，然后训练函数将再次运行，直到纪元数，等等;最后，当达到TrainSpec中的max_steps定义时，train_and_eval方法将停止 .

  这是我从一些实验得出的结论，欢迎更正 .

  回复于 2024-04-29T16:09:02+08:00