使用tf.contrib.learn.LinearRegressor报错，需切换至tf.train.get_global_step

一、处理tf.contrib.learn.LinearRegressor的更新报错 #

你遇到的Please switch to tf.train.get_global_step提示，本质是因为tf.contrib.learn属于TensorFlow的旧版API，已经被标记为废弃（deprecated），官方早就停止了维护，转而推荐使用更稳定的tf.estimator系列API（也就是你后来尝试的tf.estimator.LinearRegressor）。

关于你提到的SKCompat类，它是旧版用来兼容Scikit-learn接口的过渡类，现在完全没有必要再用了——直接迁移到tf.estimator才是长久之计，这也是官方的明确建议。所以不建议再纠结旧版的报错，直接转向新版API解决问题更高效。

二、解决tf.estimator.LinearRegressor无输出的问题 #

你执行新版代码后看不到输出，主要有两个原因：

1. evaluate()的结果需要主动打印 #

estimator.evaluate()会返回一个包含评估指标（比如损失值等）的字典，但它不会自动打印结果，你需要手动输出：

eval_results = estimator.evaluate(input_fn=eval_input_fn)
print("评估结果：", eval_results)

2. predict()返回的是迭代器，需要遍历获取结果 #

estimator.predict()返回的是一个生成器对象，并非直接的预测结果列表，你需要通过遍历或者转换为列表来查看输出：

predictions = estimator.predict(input_fn=eval_input_fn)
# 遍历打印每个预测结果
for pred in predictions:
    print("预测值：", pred['predictions'][0])
# 或者转换为列表一次性查看
pred_list = list(predictions)
print("所有预测结果：", pred_list)

另外补充一点：estimator.train()如果不指定steps参数，会一直训练下去（直到输入数据耗尽，如果是无限生成的input_fn就会无限训练），建议加上steps参数控制训练步数，比如：

estimator.train(input_fn=training_input_fn, steps=10000)

这样修改后，你就能看到训练、评估和预测的具体结果了。

内容的提问来源于stack exchange，提问作者Trufa