我看到许多例子中使用MonitoredTrainingSession或tf.Estimator作为训练框架。然而，我不清楚为什么要选择其中一个而不是另一个。两者都可以通过SessionRunHooks进行配置。两者都与tf.data.Dataset迭代器集成，并且可以输入训练/验证数据集。我不确定使用其中一种设置的优势是什么。
回答：
简短的回答是，MonitoredTrainingSession允许用户访问图形和会话对象以及训练循环，而Estimator则隐藏了图形和会话的细节，通常情况下，使得运行训练变得更加容易，特别是使用train_and_evaluate时，如果你需要定期进行评估的话。
MonitoredTrainingSession与普通的tf.Session()不同之处在于，它处理变量初始化，设置文件写入器，并且还包含分布式训练的功能。
另一方面，Estimator API是一个高级构造，类似于Keras。它可能在示例中使用较少，因为它是后来引入的。它还允许通过DistibutedStrategy来分布式训练/评估，并且它有一些预设的估算器，可以快速原型设计。
在模型定义方面，它们相当平等，两者都允许使用keras.layers，或者从头开始定义完全自定义的模型。因此，如果出于任何原因，你需要访问图形构建或自定义训练循环，请使用MonitoredTrainingSession。如果你只是想定义模型，训练它，运行验证和预测，而不需要额外的复杂性和样板代码，请使用Estimator。
