tensorflow在DL社区火热，无论写个什么算法都要搞在tensorflow上面。我喜欢tensorflow的两个地方，一是分布式方便，二是跑GPU方便，然而tensorflow终究是个科学计算库，要在上面进行算法的研发和工程化，还是有点儿裸奔的感觉。
所以，我选择Estimator。
这是某tensorflow内部大佬公开演讲时拿出来的一个架构图，最底层一个分布式tensorflow引擎（选择操作系统的时候，听官方的话，win、mac、unbuntu，用其他的坑实在太多了），然后上面几种语言基础API（语言接口），在上面一些中级API（可以作为搭建网络的辅助），最上面一个Estimators（这里的Estimators就是model）。
这个图是上面图后来的一次升级（比较模糊，只看最上面两层），在Estimator这一层已经多了Keras，Keras已经融合到了tensorflow里面，作为一个高阶的API。最重要的是顶层的这个东西Canned Estimators(简单理解，就是做了产业链一条龙服务，原先我们做好了一个model，嵌入业务怎么写代码，单机还是分布式怎么写代码等等问题都需要考虑，但是这个Canned Estimators能够做到——研发写好的东西直接交给业务部门，拿来就能用)
已经了解了tensorflow的大体面貌，接下来，回到主题：
1、tensorflow的高阶API——Estimator这个东西怎么用
我们知道Estimator就是model，那么这个model是需要自己写的？还是它里面直接提供了一些子类model（lr、knn之类）可以直接拿来train、predict？
这张图告诉我们，都行。estimator自带一些model，我们可以直接用，只需要自己设置参数。
一般而言，我们会自己根据业务实现算法，这个时候，就需要自定义estimator了。
2、如何自定义estimator？
estimator的init function如下：
model_fn时一个规范了输入参数和返回结果的函数（即我们的算法逻辑）。
params就是算法中需要的超参数，这里给一个字典，算法运行时estimator会将这个params传递给我们的model_fn。
model_dir是model保存的路径，断点续传这个东西，想想就有点儿意思。
定义好一个estimator之后，就可以使用estimator的train、、evalute、predict等方法，这里使用数据的时候涉及到tensorflow的dataset这个对象。
dataset这个东西是一种对原始数据的封装，可以对这个数据集进行map、设置echo、设置batch_size等操作，使用起来也是比较简单的，熟悉一下就好。
https://tensorflow.google.cn/api_docs/python/tf/data/Dataset
Estimator这里的重点应当是model_fn。
3、model_fn(EstimatorSpec)
def model_fn(features, labels, mode, params):
输入参数：如上，model_fn的输入以此为features，labels，mode（tf.estimator.ModeKeys.TRAIN，这里其实只有train、evalute、predict，只是用来确定当前是哪种模式，config）,params.
返回值：model_fn的返回值要求 是一个EstimatorSpec类型的对象，这又是个什么东西？看一下它要什么就大概清楚了：
在这一堆参数里面，一般需要用的有这个几个：
mode已经解释了。
predictions是模型的预测值。
eval_metric_ops 是auc、acc之类的预测指标以及预测值的字典。
train_op 是优化函数。
大概就是这样，定义好Estimator，接下来要做的就是train、evalute、predict，笔者对这里的API暂时还不是特别清楚，下次再写。
