DNNLinearCombinedClassifier 類繼承于類 Estimator，Estimator 類繼承于類 BaseEstimator。BaseEstimator 是一個抽象類，定義了通用的模型訓練以及評測的函數接口 （train_model， evaluate_model， infer_model），Estimator 類中用一個統一函數 call_model_fn 來實現 train_model， evaluate_model， infer_model。

　　圖 7 estimator 的類關系圖

　　為了更好了解整個過程，我們看看內部函數的調用過程（代碼可以參見 estimator/estimator.py）：

　　圖 8 Estmiator 類的函數調用圖

　　模型訓練通過調用 BaseEstimator 的 fit（） 接口開始，其調用棧是：fit -》 _train_model -》 _get_train_ops -》_call_model_fn（ModelKeys.TRAIN） -》 _model_fn，最終_model_fn（） 產生模型并通過 export 函數將模型輸出到 model_dir 對應目錄中。

　　我們把訓練模型的調用過程在代碼級別展開，標出關鍵的幾個函數和數據結構，省略不關鍵的代碼，希望能讓讀者看到訓練模型的大致過程：

　　圖 9 模型訓練的調用棧

　　評測（evaluate）和預測（predict）的過程與訓練（train）大致相同，讀者可以通過源代碼文件找到對應函數了解。可以看出，整個函數調用棧中最關鍵的 2 個函數是： input_fn 和 model_fn。input_fn 從輸入數據中生成 features 和 labels，features 是一個 Tensor 或者是一個從特征名到 Tensor 的字典，如果 features 是一個 Tensor，程序會給這個 Tensor 一個空字符串的鍵值，轉換成特征名到 Tensor 的字典。labels 是樣本的 label 構成的 tensor。input_fn 由應用程序調用者提供實現，返回（features， labels）二元組，要求 tf.get_shape（features）［0］ == tf.get_shape（labels）［0］，也就是兩個 tensor 的行數目得保持一致。model_fn 定義訓練和評測模型的具體邏輯，如模型訓練產生的誤差 （model_fn_ops.loss） 以及訓練算子（model_fn_ops.train_op）通過封裝在 EstmiatorSpec 的對象中由 training 的 Session 進行調用。每個具體模型需要實現的是自定義的 model_fn。

　　DNNLinearCombinedClassifier 是如何實現自己的 model_fn 的呢？本文開頭我們給出了它的初始化函數原型，進入初始化函數的實現中我們定位到代碼行 model_fn=_dnn_linear_combined_model_fn。

　　這個就是 DNNLinearCombinedClassifier 的 model_fn。這個函數的定義如下：

　　def_dnn_linear_combined_model_fn（features， labels， mode， params， config= None）

　　features 和 labels 大家都已經知道，mode 指定 model_fn 的操作模式，目前支持 3 個值：訓練模型 （model_fn.ModeKeys.TRAIN），對模型進行評測 （model_fn.ModeKeys.EVAL），根據輸入特征進行預測 （model_fn.ModeKeys.PREDICT），mode 的定義可參見文件 estimator/model_fn.py。params 和 config 參數分別定義模型訓練的參數以及模型運行的配置。

相關電子資料下載