在TensorFlow中，tf.estimator.Estimator和tf.contrib.learn.Estimator有什么区别？

Question

几个月前，我使用了TensorFlow的tf.contrib.learn.DNNRegressor API，发现很方便易用。但我没有关注TensorFlow的最新进展。现在我有一个项目，想再次使用回归器，但需要更多控制实际模型，这可以通过Estimator API中的model_fn参数来实现。

但是TensorFlow API中有两个Estimators：

tf.contrib.learn.Estimator tf.estimator.Estimator 两者提供类似的API，但在使用上略有不同。为什么会有两种不同的实现方法？是否有理由更喜欢其中一种？

不幸的是，我在TensorFlow文档中找不到任何差异或指南，以说明何时使用哪种Estimator。实际上，通过TensorFlow教程时产生了很多警告，因为某些接口显然已更改（例如x，y参数被input_fn参数替代等）。

- Morpheus1822

Answer 1

我也曾思考同样的问题，不能给出确切的答案，但是我有一些猜想可能会对你有所帮助:

看起来tf.estimator.Estimator结合一个返回tf.estimator.EstimatorSpec的模型函数是最新的，并且这个方法在较新的示例中被使用并将用于新代码。

我的猜测是tf.contrib.learn.Estimator是一个早期的原型，已被tf.estimator.Estimator替换。根据文档，tf.contrib中的所有内容都是不稳定的API，随时可能更改，看起来tf.estimator模块是从tf.contrib.learn模块“演变”而来的稳定API。我假设作者只是忘记将tf.contrib.learn.Estimator标记为过时的，并且它还没有被删除，因此现有的代码不会出问题。

- Christoph Henkelmann

Answer 2

现在文档中有这样一个明确的声明：

注意：TensorFlow还包括一个已弃用的Estimator类，位于tf.contrib.learn.Estimator，您不应该使用它。

https://www.tensorflow.org/programmers_guide/estimators

由于某种原因，代码中未标记为“已弃用”。

- Pekka

Answer 3

补充Christoph的答案。

这些包之间的区别在Tensorflow Dev Summit 2017 Martin Wicke中有明确提到：

引用： 核心和贡献之间的区别实际上在于核心内容不会改变。直到发布2.0版本，所有东西都是向后兼容的，现在没有人考虑这个问题。 如果你有一些核心内容，那么它是稳定的，你应该使用它。如果你有一些贡献内容，API可能会改变，根据你的需求，你可能想要使用它或者不想使用它。

因此，您可以将tf.contrib包视为“实验性”或“早期预览”。对于已经存在于tf.estimator和tf.contrib中的类，您应该绝对使用tf.estimator版本，因为tf.contrib类会自动弃用（即使在文档中没有明确说明），并可能在下一个版本中被删除。

从tensorflow 1.4开始，“毕业”类的列表包括：Estimator、DNNClassifier、DNNRegressor、LinearClassifier、LinearRegressor、DNNLinearCombinedClassifier和DNNLinearCombinedRegressor。这些应该移植到tf.estimator中。

- Maxim

Answer 4

我也有同样的问题要问。

我猜 tf.estimator.Estimator 是高级接口并且推荐使用，而 tf.contrib.learn.Estimator 被认为不是高级接口（但实际上它确实是）。正如 Christoph 所提到的，tf.contrib 不稳定，因此 tf.contrib.learn.Estimator 易受更改影响。它从 0.x 版本变成了 1.1 版本，然后在 2016.12 又进行了更改。问题是，它们的使用似乎不同。你可以使用 tf.contrib.learn.SKCompat 来包装 tf.contrib.learn.Estimator，而对于 tf.estimator.Estimator，你不能做同样的事情。如果你检查错误消息，model_fn 的要求/参数也不同。

结论是这两个 Estimator 是不同的东西！

无论如何，我认为 tf 文档在这个主题上做得非常糟糕，因为 tf.estimator 在他们的教程页面上，这意味着他们非常重视这个...

- user2189731