趁着最近有點時間，花幾天時間把tensorflow教程整理出來(紅色表示沒有完成)
（內容來源，tensorflow google操作手冊，英文，鏈接：https://tensorflow.google.cn/programmers_guide/estimators，需要翻牆）現在的版本是1.6
High level apis：
estimators是一個高級接口，極大簡化了機器學習的編程，它能夠實現：訓練，評估，預測，export for serving
兩種使用方法：1：使用pre-made estimators，2：自己寫(custom) estimators 都基於（tf.estimator.Esrimator類）
優點：可以使用local host也可使用分佈式集成環境，可在CPU GPU TPU上直接運行；簡化開發人員的交流；使用estimators比low-level的Tensorflow API更容易；自己創建圖，不用人工創建；提供安全的distributed training loop去控制how when:建graph 初始化變量；創建checkpoint ，save summaries給tensorBoard去可視化。用estimarots寫app的時候，比如把數據輸入管道和模型分開，這種隔離簡化了應用不同數據集時候的實驗。
pre-made estimators：
不需要自己創建計算圖或者sessions（低層接口的使用方法），estimators全都自己處理了，稍稍改動就可以使用不同模型。
structure：主要包括以下4點：
一，寫一個或多個數據集載入函數，類如：你可以創建一個函數用於載入數據集，另一個函數載入測試集。每一個數據集載入函數需要返回兩個對象：1：一個字典，keys:特徵名，values: 張量，存相應的特徵數據。2：一個張量，存一個或者多個標籤。（詳細見Importing Data，https://tensorflow.google.cn/programmers_guide/datasets）
def input_fn(dataset):
... # manipulate dataset, extracting feature names and the label
return feature_dict, label
二，定義feature columns，每一個tf.feature_column（https://tensorflow.google.cn/api_docs/python/tf/feature_column）定義一個特徵名，類型，和輸入的預處理。就是給特徵起個名，在編程的時候直接調用名稱，不用在乎具體張量shape。
# Define three numeric feature columns.
population = tf.feature_column.numeric_column('population')
crime_rate = tf.feature_column.numeric_column('crime_rate')
median_education = tf.feature_column.numeric_column('median_education',
normalizer_fn='lambda x: x - global_education_mean')
三，實例化一個pre-made estimator.舉例：實例化一個estimator叫linearclassifier：
# Instantiate an estimator, passing the feature columns.
estimator = tf.estimator.Estimator.LinearClassifier(
feature_columns=[population, crime_rate, median_education],
)
四，調用training,evaluation ,or inference method.舉例：
# my_training_set is the function created in Step 1
estimator.train(input_fn=my_training_set, steps=2000)
estimator的核心是model function,一個建立graphs去訓練評價預測的函數。pre-made以及有人寫好，custom estimators得自己寫（）https://tensorflow.google.cn/get_started/custom_estimators
建議得工作流：如果一個pre-made estimator存在的話，直接用它建立模型用其結果建立一個baseline(對比)
創建，用pre-made去測試整個管道的完整性和可靠性（對數據來說）
適當的改變pre-made，參數或者模型，看看哪一個能得出更好的結果
可能的話，建立custom estimator去更進一步提高模型。
