TensorFlow 2中tf.compat.v1.estimator三类回归器的替代改进方案咨询

TensorFlow 2.x 官方推荐使用Keras API替代旧版的Estimators，Keras作为TF2的核心高级API，灵活性、易用性和整合度都远超Estimators，且完全适配TF2的动态图机制。针对你关注的三类回归器，对应的替代实现如下：

• tf.compat.v1.estimator.LinearRegressor（线性回归器）
  直接用Keras的Dense层搭建线性模型即可，仅需一个输出单元且不设置激活函数，配合均方误差损失函数实现线性回归：

  model = tf.keras.Sequential([
      tf.keras.layers.Dense(units=1, input_shape=(特征维度,))
  ])
  model.compile(optimizer='adam', loss='mean_squared_error')
  

• tf.compat.v1.estimator.DNNRegressor（深度神经网络回归器）
  通过Keras的Sequential或函数式API搭建多层全连接网络，按需添加带激活函数（如ReLU）的隐藏层，输出层使用单个无激活的Dense单元：

  model = tf.keras.Sequential([
      tf.keras.layers.Dense(64, activation='relu', input_shape=(特征维度,)),
      tf.keras.layers.Dense(32, activation='relu'),
      tf.keras.layers.Dense(1)
  ])
  model.compile(optimizer='adam', loss='mean_squared_error')
  

• tf.compat.v1.estimator.DNNLinearCombinedRegressor（Wide&Deep混合回归器）
  用Keras函数式API分别构建宽分支（线性部分）和深分支（DNN部分），再将两个分支的输出合并得到最终模型：

  # 宽分支（线性特征输入）
  wide_input = tf.keras.Input(shape=(宽特征维度,))
  wide_output = tf.keras.layers.Dense(1)(wide_input)
  
  # 深分支（高维/连续特征输入）
  deep_input = tf.keras.Input(shape=(深特征维度,))
  x = tf.keras.layers.Dense(64, activation='relu')(deep_input)
  x = tf.keras.layers.Dense(32, activation='relu')(x)
  deep_output = tf.keras.layers.Dense(1)(x)
  
  # 合并分支并构建模型
  combined_output = tf.keras.layers.Add()([wide_output, deep_output])
  model = tf.keras.Model(inputs=[wide_input, deep_input], outputs=combined_output)
  model.compile(optimizer='adam', loss='mean_squared_error')
  

这些Keras实现不仅完全替代了旧Estimator的功能，还支持自定义层、回调函数、混合精度训练等更多扩展能力，调试和迭代效率更高。

内容的提问来源于stack exchange，提问作者Jiren