（一）簡 介

繼承自Estimator，定義在tensorflow/python/estimator/canned/dnn.py中，用來建立深度神經網路模型。示例如下：

categorical_feature_a = categorical_column_with_hash_bucket(...)
categorical_feature_b = categorical_column_with_hash_bucket(...)

categorical_feature_a_emb = embedding_column(
    categorical_column=categorical_feature_a,
 
 ...)
categorical_feature_b_emb = embedding_column(
    categorical_column=categorical_feature_b, ...)

# 有三個隱層，結點數分別為1024,512,256個
estimator = DNNClassifier(
    feature_columns=[categorical_feature_a_emb, categorical_feature_b_emb],
    hidden_units=[1024, 512, 256])

# 建立訓練資料輸入函式
def input_fn_train:
 
 # returns x, y
  pass
estimator.train(input_fn=input_fn_train, steps=100)
# 建立評估資料輸入函式
def input_fn_eval: 
  pass
metrics = estimator.evaluate(input_fn=input_fn_eval, steps=10)
def input_fn_predict: # returns x, None
  pass
predictions = estimator.predict(input_fn=input_fn_predict)

（二）初始化

__init__(
    hidden_units,
 

    feature_columns,
    model_dir=None,
    n_classes=2,
    weight_column=None,
    label_vocabulary=None,
    optimizer='Adagrad',
    activation_fn=tf.nn.relu,
    dropout=None,
    input_layer_partitioner=None,
    config=None,
    warm_start_from=None,
    loss_reduction=losses.Reduction.SUM,
    batch_norm=False
)

引數如下：

• hidden_units:
  設定隱層層數和每一層的結點數，如[64， 32]代表第一隱層有64個節點，第二隱層有32個節點，所有的隱層都是全連線的。

• feature_columns:
  特徵列

• model_dir:
  儲存模型的路徑

• n_classes:
  標籤的種類，預設為2

• weight_column:
  由 tf.feature_column.numeric_column建立的一個字串或者數字列用來呈現特徵列。它將會被乘以example的訓練損失。

• label_vocabulary:
  一個字串列表用來呈現可能的標籤取值，如果給出，則必須為字元型，如果沒有給出，則會預設編碼為整型，為{0, 1,…, n_classes-1} 。

• optimizer:
  選擇優化器，預設使用Adagrad optimizer，啟用函式為tf.nn.relu。

• input_layer_partitioner:
  輸入層分割器，min_max_variable_partitioner和min_slice_size預設為64 << 20

• config:
  一個執行配置物件，用來配置執行時間。

• warm_start_from:
  A string filepath to a checkpoint to warm-start from, or a WarmStartSettings object to fully configure warm-starting. If the string filepath is provided instead of a WarmStartSettings, then all weights are warm-started, and it is assumed that vocabularies and Tensor names are unchanged.

• loss_reduction:
  定義損失函式，預設為SUM方法

• batch_norm:
  是否要在每個隱層之後使用批量歸一化。

（三）屬 性（Properties）

• config
• model_dir
• model_fn
  Returns the model_fn which is bound to self.params.

返回：
model_fn 附有以下標記: def model_fn(features, labels, mode, config)

（四）方 法（Methods）

（1）evaluate（評估）

evaluate(
    input_fn,
    steps=None,
    hooks=None,
    checkpoint_path=None,
    name=None
)

評估函式，使用input_fn給出的評估資料評估訓練好的模型，引數列表如下：

• input_fn:
  一個用來構造用於評估的資料的函式，這個函式應該構造和返回如下的值：一個tf.data.Dataset物件或者一個包含 (features, labels)的元組，它們應當滿足model_fn函式對輸入資料的要求，在後面的例項中我們會詳細介紹。
• checkpoint_path:
  用來儲存訓練好的模型
• name:
  如果使用者需要在不同的資料集上執行多個評價，如訓練集和測試集，則為要進行評估的名稱，不同的評估度量被儲存在單獨的資料夾中，並分別出現在tensorboard中。

（2）predict（預測）

predict(
   input_fn,
   predict_keys=None,
   hooks=None,
   checkpoint_path=None,
   yield_single_examples=True
)

使用訓練好的模型對新例項進行預測，以下為引數列表：

• input_fn:
  一個用來構造用於評估的資料的函式，這個函式應該構造和返回如下的值：一個tf.data.Dataset物件或者一個包含 (features, labels)的元組，它們應當滿足model_fn函式對輸入資料的要求，在後面的例項中我們會詳細介紹。

• predict_keys:
  預測函式最終會返回一系列的結果，但我們可以有選擇地讓其輸出，可供選擇的keys列表為[‘logits’, ‘logistic’, ‘probabilities’, ‘class_ids’, ‘classes’]，如果不指定的話，預設返回所有值。

• hooks:
  tf.train.SessionRunHook的子類例項列表，在預測呼叫中用於傳回。

• checkpoint_path:
  訓練好的模型的目錄

• yield_single_examples:
  可以選擇False或是True，如果選擇False，由model_fn返回整個批次，而不是將批次分解為單個元素。當model_fn返回的一些的張量的第一維度和批處理數量不相等時，這個功能是很用的。

（3）train（訓練）

train(
    input_fn,
    hooks=None,
    steps=None,
    max_steps=None,
    saving_listeners=None
)

用於訓練模型，以下為引數列表：

• input_fn:
  一個用來構造用於評估的資料的函式，這個函式應該構造和返回如下的值：一個tf.data.Dataset物件或者一個包含 (features, labels)的元組，它們應當滿足model_fn函式對輸入資料的要求，在後面的例項中我們會詳細介紹。

• hooks:
  tf.train.SessionRunHook的子類例項列表，在預測呼叫中用於傳回。

• steps:
  模型訓練的次數，如果不指定，則會一直訓練知道input_fn傳回的資料消耗完為止。如果你不想要增量表現，就設定max_steps來替代，注意設定了steps，max_steps必須為None，設定了max_steps，steps必須為None。

• max_steps:
  模型訓練的總次數，注意設定了steps，max_steps必須為None，設定了max_steps，steps必須為None。

• saving_listeners:
  CheckpointSaverListener物件的列表，用於在檢查點儲存之前或之後立即執行的回撥。