RunConfig master参数，指定训练模型主服务器地址，task设置任务ID，每个任务ID控制一个训练模型参数服务器replica。

初始化一个RunConfig对象，传进Estimator。RunConfig参数默认值在本地运行简单模型，只用一个任务ID，80%GPU存储参数传进Estimator。运行时参数会自动运用，不用担心ConfigProto、GPUOptions细节。快速改变参数实现分布式模型训练、参数服务器使用。

Experiment，简单易用建立模型实验类，建模所需所有信息，Estimator、训练数据、评估数据、平估指标、监督器、评估频率。可以选择当地运行，可以和RunConfig配合分布式试验。LearnRunner，方便做实验。

tf.app.flags定义可以从命令行传入参数，数据、模型、输出文件路径、训练、评估步数。schedule试验类型。local_run()当地试验。run_std_server()标准服务器试验。master_grpc_url主要GRPC TensorFlow服务器。num_parameter_servers参数服务器数量。

建立Experiment对象函数，FLAGS建立RunConfig，机器学习模型Estimator，建立广度深度结合分类器(DNNLinearCombinedClassifier)。input_train_fn、input_test_fn，数据来源、提供训练、评估数据。

create_experiment_fn()函数传入LearnRunner进行不同类型试验，当地、服务器试验。试验结果存储到不同路径。

深度学习Estimator。TF.Learn包含简单易用深度神经网络Estimator。分类问题DNNClassifier。_input_fn()建立数据，layers模块建立特征列。

特征列、每层隐藏神经单元数、标识类别数传入DNNClassifier，迅速建立深度神经网络模型。

fit()、eva luate()方法模型训练、评估。

每行数据都有权重。DNNClassfier，指定一列为权重列，自动分配到训练过程。四行数据，每行不同权重。权重列、特征列放入features。

DNNClassifier表明权重列列名 w，特征列列名x(x转换特征列)。

传入自定义metrics方程_my_metric_op()，操作predictions、targets进行metrics计算。只考虑二分类问题，tf.slice()剪切predictions第二列作预测值。

tf.slice()传入输入矩阵input，剪切开始元素begin，剪切Tensor形状size，size[i]代表第i个维度想剪切矩阵shape。

根据需求任意在predictions、targets操作实现想要metrics计算，eva luate()传入metrics函数，TF.Learn根据metrics评估模型。

eva luate()可以提供多个metrics，_my_metric_op自定义，tr.contrib自带。

optimizer提供自定义函数，定义自己的优化函 ，包含指数递减学习率。

tf.contrib.framework.get_or_create_global_step()得到目前模型训练到达全局步数。tf.train.exponential_decay()对学习率指数递减，避免爆炸梯度。

广度深度模型，DNNLinearCombinedClassifier。谷歌广泛用在各种机器学习应用，深度神经网络和逻辑回归结合，不同特征通过两种不同方式结合，更能体现应用意义和更有效推荐结果。类似Kaggle竞赛Ensemble。

更多参数，与DNNClassifier、LinearClassifier不同特征列选择。

gender、education、relationship、workclass转换为FeatureColumn。分wide_columns、deep_columns。wide_columns用在LinearClassifier，deep_columns用在DNNClassifier。分别传入DNNLinearCombinedClassifier建立广度深度模型。具有线性特征，也具有深度神经网络特征。

参考资料：
《TensorFlow实战》

欢迎付费咨询(150元每小时)，我的微信：qingxingfengzi