1.基本的网络结构（卷积、池化、全连接等等）

tf.layers.conv2d(inputs=input_layer,filters=32,kernel_size=[5, 5],padding="same",activation=tf.nn.relu)

tf.layers.max_pooling2d(inputs=conv1, pool_size=[2, 2], strides=2)

pool2_flat = tf.reshape(pool2, [-1, 7 * 7 * 64])

tf.layers.dense(inputs=pool2_flat, units=1024, activation=tf.nn.relu)

tf.layers.dropout(inputs=dense, rate=0.4, training=mode == tf.estimator.ModeKeys.TRAIN)

2.计算Loss层。

这里需要注意的是，对于回归任务loss层应该如下：

output_layer = tf.layers.dense(second_hidden_layer, 1)
predictions = tf.reshape(output_layer, [-1])
loss = tf.losses.mean_squared_error(labels, predictions)

可以看到，最后一层是一个没有激活函数单个神经元的全连接的层，接着改变tensor的维度为1。之后才计算Loss。

对于分类任务层应该如下：

logits = tf.layers.dense(inputs=dropout, units=10) #（也是没有神经元的）
onehot_labels = tf.one_hot(indices=tf.cast(labels, tf.int32), depth=10)
loss = tf.losses.softmax_cross_entropy(onehot_labels=onehot_labels, logits=logits)

可以看到，对于分类任务，需要先对标签做一次One-hot（二分类任务也需要）。之后再送入Loss层计算loss。

3.定义training op，具体形式如下：

optimizer = tf.train.GradientDescentOptimizer(learning_rate=params["learning_rate"])
train_op=optimizer.minimize(loss=loss, global_step=tf.train.get_global_step())

4.return

    return tf.estimator.EstimatorSpec(mode=mode,predictions={"ages": predictions})

optimizer = tf.train.GradientDescentOptimizer(learning_rate=params["learning_rate"])
train_op=optimizer.minimize(loss=loss, global_step=tf.train.get_global_step())

loss = tf.losses.mean_squared_error(labels, predictions)

return tf.estimator.EstimatorSpec(mode=mode, loss=loss, train_op=train_op)

return tf.estimator.EstimatorSpec(mode=mode, loss=loss, eval_metric_ops=eval_metric_ops)

  return tf.estimator.EstimatorSpec(mode=mode,loss=loss,train_op=train_op,eval_metric_ops=eval_metric_ops)

model_fn基本上需要由上面提到的东西构成，最后说一个关于数据格式的问题。

5.tensor维度问题

最后input_layer会转成一个4维的tensor。

6.训练

classifier = tf.estimator.Estimator(model_fn=model_fn, model_dir="/tmp/mnist_convnet_model",params=param)

训练模型的时候需要先定义输入数据。一般可用tf.estimator.inputs.numpy_input_fn()或者tf.estimator.inputs.pandas_input_fn()两种方法来加载数据。
两个参数是一样的，下面介绍下tf.estimator.inputs.numpy_input_fn()的参数

numpy_input_fn(x,y=None,batch_size=128,num_epochs=1,shuffle=None,queue_capacity=1000,num_threads=1
)

x是训练数据，使用numpy_input_fn时就是numpy array的格式。使用Pandas的时候就是dataframe的格式。注意训练数据不包含标签值。
y是标签。
batch_size，每一次迭代的时候选择的样本个数（这个涉及到梯度的计算，有疑惑的可以读读这篇文章），默认选择是128个样本。
num_epochs参数解释：
epoch是一个很重要的参数，这里详细的解释一下。首先一个epoch是指把整个数据集训练一次。举个例子，比如训练集理由100张图片，1个ephoch就是指每张图片都被训练了一次。2个epoch就是指 先对整个数据集训练一次后，再来对整个数据集训练一次。3个epoch就依次类推。

除了一个epoch这个概念外，还有一个就是steps（迭代次数）。
下面具体结合epoch和steps,batch_size这三个参数的设置来看看对最后的训练次数有什么影响：
（以下均假设整个数据集大小为3328条）
epoch=None,steps=100,batch_size=128：
当epoch=None的时候就是说，训练的停止条件是达到迭代次数100。（这个时候其实可以算得到整个数据集被训练了100/（3328/128)=3.84次）
epoch=1,steps=100,batch_size=128:
整个数据集共3328条数据，batch_size为128，所以迭代26次（3328/128）时可以实现整个数据集被训练了一次，所以实际上迭代26次就停止训练了。
epoch=4,steps=100,batch_size=128:
和上面类似，只不过这里的epoch=4,故数据集总共需要被训练4次，故迭代次数总共需要4*(3328/128)=104次，但是104<100次，所以100次的时候训练也停止了。
epoch=100,steps=None,batch_size=128:
这个时候steps不指定意味着停止条件是达到epoch的次数。
所以当整个数据集被训练了100次的时候停止训练。此时的迭代次数其实是（3328/128)*100=2600次。
相信举了几个例子后大家对epoch、steps(迭代次数)、batch_size有了点认识。

train_input_fn = tf.estimator.inputs.numpy_input_fn(x={"x": train_data},y=train_labels,batch_size=100,num_epochs=None,shuffle=True)

指定完之后可以开始训练了，具体如下：

classifier.train(input_fn=train_input_fn,steps=20000)

指定训练数据以及迭代的次数。

eval_input_fn = tf.estimator.inputs.numpy_input_fn(x={"x": eval_data},y=eval_labels,num_epochs=1,shuffle=False)

这里的num_epochs=1相信大家可以理解了，就是把整个测试集测试一次。

eval_results =classifier.evaluate(input_fn=eval_input_fn)

8.预测

predict_input_fn = tf.estimator.inputs.numpy_input_fn(x={"x": prediction_set.data},num_epochs=1,shuffle=False)

predictions = classifier.predict(input_fn=predict_input_fn)