Estimator是Tensorflow完整模型的高级表示，它被设计用于轻松扩展和异步训练。

这句话是官方文档上的描述，我觉得说的挺对的。为了更直观的体会这句话，这里我以Kaggle经典的入门练习Titanic为例，为大家呈现Estimator的完整使用流程。

tf.feature_column是官方提供的一套用于处理结构化数据的工具。它是原始数据和Estimator模型之间的桥梁。丰富的tf.feature_column方法，让你可以将各种原始数据转换为Estimators可以使用的格式，从而更加容易的进行模型实验。

最近夜不能寐，总是有一个声音在耳边回荡：

人工智能的大潮都已经来了，你既然还不懂Tensorflow！

真的是呀，作为一名标榜自己为推荐算法工程师的小学生，我羞愧啊！其实也不是我不学，只是一叶障目，不见泰山。
真正地懂得，应该是全面的、系统的。痛定思痛，我决心要有所改变！
既然时间已经来到了激动人心的2020年，那我也不藏着掖着啦，干就是了！

Dataset是Tensorflow提供的一套高效的数据加载工具。我们可以利用Dataset以简单可复用的方法构建复杂的输入Pipeline。

自Tensorflow2.0之后，Dataset的API变得更加的简单易用。用过的Tensorflow1.x的朋友可能会知道，Dataset之前需要依赖Iterator来实现数据迭代。为了提供Tensorflow的易用性，2.0版本开始，Dataset可以直接使用for语句来实现数据遍历，使得Dataset更加的pythonic。

简单、方便、强大，你不选择使用Dataset，我不信。

TFRecord格式是官方推荐使用的模型输入数据的存储格式。模型在训练和预测的过程中，TFRecord格式用于组织模型的输入数据部分。

我们使用TFRecord来存储训练数据。同时，也使用TFRecord的数据作为模型计算的输入。

TFRecord的存储方式，能够以较小的空间来实现数据携带。对于基于Tensorflow Serving这种网络传输输入数据的打分形式，较小的传输数据，对打分性能的提升是很有帮助的。

所以，使用TFRecord就对了！

TFRecord是官方推荐使用的tensorflow模型数据存储格式。基于该格式的模型数据，可以实现较小空间大小的数据携带。
这里使用java的API，对TFRecord中基本数据结构：BytesList、FloatList、Int64List、Feature、Features、Example、FeatureList、FeatureLists、SequenceExample进行说明。

论文地址

这篇论文主要是讲深度学习模型在YouTube视频推荐系统中的应用，包括候选集生成模型和排序模型两部分。

工欲善其事，必先利其器

既然开始专心写博客，自然就需要对markdown的语法了然于胸。之前虽然也用过一些特性，但是，总归不能有一种驾轻就熟的感觉。作为博客的开篇之作，今天就好好说道说道。（一个有意思的事情是，这篇博客也是用markdown语言写的）