我看到很多使用 MonitoredTrainingSession 或 tf.Estimator 作为训练框架的示例。然而，目前尚不清楚为什么我会使用其中一种而不是另一种。两者都可以通过 SessionRunHooks 进行配置。两者都与 tf.data.Dataset 迭代器集成，并且可以提供训练/验证数据集。我不确定一种设置的好处是什么。
最佳答案
简短的回答是，MonitoredTrainingSession 允许用户访问图形和 session 对象以及训练循环，而 Estimator 向用户隐藏图形和 session 的详细信息，并且通常，可以更轻松地进行训练，尤其是在您需要定期评估时使用 train_and_evaluate。
MonitoredTrainingSession 与普通 tf.Session() 的不同之处在于它处理变量初始化、设置文件编写器，并且还合并了分布式训练的功能。
Estimator API 是一个高级构造，就像 Keras 一样。由于是后来引入的，所以在示例中可能用得较少。它还允许使用 DistibutedStrategy 分发训练/评估，并且它有几个允许快速原型(prototype)设计的预设估算器。
在模型定义方面，它们非常相同，都允许使用keras.layers，或者从头开始定义完全自定义的模型。因此，如果出于某种原因，您需要访问图形构建或自定义训练循环，请使用MonitoredTrainingSession。如果您只想定义模型、训练模型、运行验证和预测而不需要额外的复杂性和样板代码，请使用 Estimator
关于python - 在 TensorFlow 中使用 MonitoredTrainingSession 与 Estimator 的原因是什么，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/55252406/