tf.estimator -如何在每个纪元后打印测试集的精度？

在tf.estimator中，可以通过使用tf.estimator.EstimatorSpec中的eval_metric_ops参数来在每个纪元后打印测试集的精度。eval_metric_ops参数允许我们定义一个字典，其中包含我们想要评估的指标。

首先，我们需要定义一个评估函数来计算测试集的精度。这个评估函数将接收模型的预测值和真实标签作为输入，并返回一个包含精度指标的字典。

下面是一个示例评估函数的代码：

def eval_metrics(labels, predictions):
    accuracy = tf.metrics.accuracy(labels=labels, predictions=predictions['classes'])
    return {'accuracy': accuracy}

在这个示例中，我们使用tf.metrics.accuracy函数来计算精度。labels参数是真实标签，predictions参数是模型的预测值。

接下来，在tf.estimator.EstimatorSpec中，我们可以将eval_metric_ops参数设置为我们定义的评估函数。下面是一个示例代码：

eval_ops = eval_metrics(labels, predictions)
eval_spec = tf.estimator.EstimatorSpec(mode=mode, loss=loss, eval_metric_ops=eval_ops)

在这个示例中，我们将eval_metric_ops参数设置为eval_metrics函数的返回值。

最后，在训练过程中，我们可以使用tf.estimator.train_and_evaluate函数来同时训练模型和评估模型。下面是一个示例代码：

train_spec = tf.estimator.TrainSpec(input_fn=train_input_fn, max_steps=num_train_steps)
eval_spec = tf.estimator.EvalSpec(input_fn=eval_input_fn, steps=None, throttle_secs=eval_interval_secs)
tf.estimator.train_and_evaluate(estimator, train_spec, eval_spec)

在这个示例中，train_input_fn是用于训练的输入函数，eval_input_fn是用于评估的输入函数，eval_interval_secs是评估的时间间隔。

通过以上步骤，我们可以在每个纪元后打印测试集的精度。