Python tf.estimator.RunConfig用法及代码示例

参数

• model_dir 保存模型参数、图形等的目录。如果PathLike 对象，路径将被解析。如果 None ，将使用 Estimator 设置的默认值。
• tf_random_seed TensorFlow 初始化程序的随机种子。设置此值允许重新运行之间的一致性。
• save_summary_steps 每隔这么多步骤保存摘要。
• save_checkpoints_steps 每隔这么多步骤保存检查点。不能用 save_checkpoints_secs 指定。
• save_checkpoints_secs 每隔这么多秒保存检查点。不能用 save_checkpoints_steps 指定。如果 save_checkpoints_steps 和 save_checkpoints_secs 均未在构造函数中设置，则默认为 600 秒。如果 save_checkpoints_steps 和 save_checkpoints_secs 都是 None ，则禁用检查点。
• session_config 用于设置会话参数的 ConfigProto，或 None 。
• keep_checkpoint_max 要保留的最近检查点文件的最大数量。创建新文件时，会删除旧文件。如果None 或 0，则保留所有检查点文件。默认为 5(即保留 5 个最近的检查点文件)。如果将保护程序传递给估计器，则此参数将被忽略。
• keep_checkpoint_every_n_hours 要保存的每个检查点之间的小时数。默认值 10,000 小时有效地禁用了该函数。
• log_step_count_steps 在训练期间记录全局步长和损失的频率，以全局步数为单位。还控制在训练期间记录全局步数(并写入摘要)的频率。
• train_distribute tf.distribute.Strategy 的可选实例。如果指定，则 Estimator 将根据该策略指定的策略在训练期间分发用户的模型。首选设置experimental_distribute.train_distribute。
• device_fn 为每个接受 Operation 并返回设备字符串的 Operation 调用的可调用对象。如果 None ，默认为 tf.train.replica_device_setter 返回的设备函数，使用 round-robin 策略。
• protocol 一个可选参数，它指定启动服务器时使用的协议。 None 表示默认为 grpc。
• eval_distribute tf.distribute.Strategy 的可选实例。如果指定，则 Estimator 将根据该策略指定的策略在评估期间分发用户的模型。首选设置experimental_distribute.eval_distribute。
• experimental_distribute 指定DistributionStrategy-related 配置的可选tf.contrib.distribute.DistributeConfig 对象。 train_distribute 和 eval_distribute 可以作为参数传递给 RunConfig 或在 experimental_distribute 中设置，但不能同时设置。
• experimental_max_worker_delay_secs 一个可选整数，指定工作人员在开始之前应等待的最长时间。默认情况下，worker 是在交错时间启动的，每个 worker 最多延迟 60 秒。这是为了降低发散的风险，当许多工作人员同时更新随机初始化模型的权重时，可能会发生发散的风险。热启动模型并进行短时间(几分钟或更短时间)训练的用户应考虑减少此默认值以缩短训练时间。
• session_creation_timeout_secs 工作人员应使用 MonitoredTrainingSession 等待会话可用(在初始化或恢复会话时)的最长时间。默认为 7200 秒，但用户可能希望设置较低的值以更快地检测变量/会话(重新)初始化的问题。
• checkpoint_save_graph_def 是否将 GraphDef 和 MetaGraphDef 保存到 checkpoint_dir 。 GraphDef 在会话创建后保存为 graph.pbtxt 。 MetaGraphDefs 为每个检查点保存为 model.ckpt-*.meta 。

抛出

• ValueError 如果同时设置了save_checkpoints_steps 和save_checkpoints_secs。

属性

• checkpoint_save_graph_def
• cluster_spec
• device_fn 返回device_fn。

  如果 device_fn 不是 None ，它将覆盖 Estimator 中使用的默认设备函数。否则使用默认值。

• eval_distribute 用于评估的可选tf.distribute.Strategy。
• evaluation_master
• experimental_max_worker_delay_secs
• global_id_in_cluster 训练集群中的全局 id。

  训练集群中的所有全局 id 都是从一个递增的连续整数序列中分配的。第一个id是0。

  注意：任务 id(属性字段 task_id )正在跟踪具有相同任务类型的所有节点中的节点索引。例如，给定集群定义如下：

  cluster = {'chief':['host0:2222'],
               'ps':['host1:2222', 'host2:2222'],
               'worker':['host3:2222', 'host4:2222', 'host5:2222']}

  任务类型 worker 的节点可以有 id 0, 1, 2。任务类型 ps 的节点可以有 id, 0, 1。所以，task_id 不是唯一的，但对 (task_type , task_id) 可以是唯一的确定集群中的一个节点。

  全局id，即该字段，是跟踪该节点在集群中所有节点中的索引。它是唯一分配的。例如，对于上面给出的集群规范，全局 id 被分配为：

  task_type  | task_id  |  global_id
    --------------------------------
    chief      | 0        |  0
    worker     | 0        |  1
    worker     | 1        |  2
    worker     | 2        |  3
    ps         | 0        |  4
    ps         | 1        |  5

• is_chief
• keep_checkpoint_every_n_hours
• keep_checkpoint_max
• log_step_count_steps
• master
• model_dir
• num_ps_replicas
• num_worker_replicas
• protocol 返回可选协议值。
• save_checkpoints_secs
• save_checkpoints_steps
• save_summary_steps
• service 返回定义的平台(在TF_CONFIG中)服务字典。
• session_config
• session_creation_timeout_secs
• task_id
• task_type
• tf_random_seed
• train_distribute 可选的tf.distribute.Strategy 用于训练。