我无法提供有关如何创建这些类的一些见解，但是我认为这是与如何使用它们有关的几件事。

tf.Session是python TensorFlow API中的一个低级对象，而正如您所说， tf.train.MonitoredTrainingSession具有许多方便的功能，在大多数常见情况下尤其有用。

在描述tf.train.MonitoredTrainingSession一些好处tf.train.MonitoredTrainingSession ，让我回答有关该会话使用的图的问题。您可以通过将上下文管理器with your_graph.as_default() tf.Graph使用，来指定MonitoredTrainingSession使用的with your_graph.as_default() ：

from __future__ import print_function
import tensorflow as tf

def example():
    g1 = tf.Graph()
    with g1.as_default():
        # Define operations and tensors in `g`.
        c1 = tf.constant(42)
        assert c1.graph is g1

    g2 = tf.Graph()
    with g2.as_default():
        # Define operations and tensors in `g`.
        c2 = tf.constant(3.14)
        assert c2.graph is g2

    # MonitoredTrainingSession example
    with g1.as_default():
        with tf.train.MonitoredTrainingSession() as sess:
            print(c1.eval(session=sess))
            # Next line raises
            # ValueError: Cannot use the given session to evaluate tensor:
            # the tensor's graph is different from the session's graph.
            try:
                print(c2.eval(session=sess))
            except ValueError as e:
                print(e)

    # Session example
    with tf.Session(graph=g2) as sess:
        print(c2.eval(session=sess))
        # Next line raises
        # ValueError: Cannot use the given session to evaluate tensor:
        # the tensor's graph is different from the session's graph.
        try:
            print(c1.eval(session=sess))
        except ValueError as e:
            print(e)

if __name__ == '__main__':
    example()

因此，正如您所说，使用MonitoredTrainingSession的好处在于，该对象可以解决

• 初始化变量
• 启动队列运行器以及
• 设置文件编写器，

但这还具有使代码易于分发的好处，因为根据您是否将运行过程指定为主进程，它的工作方式也不同。

例如，您可以运行以下命令：

def run_my_model(train_op, session_args):
    with tf.train.MonitoredTrainingSession(**session_args) as sess:
        sess.run(train_op)

您将以非分布式方式进行调用：

run_my_model(train_op, {})`

或以分布式方式（有关输入的更多信息，请参见分布式文档 ）：

run_my_model(train_op, {"master": server.target,
                        "is_chief": (FLAGS.task_index == 0)})

另一方面，使用原始tf.Session对象的好处是，您没有tf.train.MonitoredTrainingSession的额外好处，如果您不打算使用它们或希望使用它，这将很有用获得更多控制（例如，有关如何启动队列的信息）。

编辑（根据评论）：对于操作初始化，您必须做类似的事情（参见官方文档 ：

# Define your graph and your ops
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init_p)
    sess.run(your_graph_ops,...)

对于QueueRunner，我将带您参考官方文档 ，您将在其中找到更完整的示例。

编辑2：

了解tf.train.MonitoredTrainingSession如何工作的主要概念是_WrappedSession类：

该包装器用作各种会话包装器的基类，这些会话包装器提供了附加功能，例如监视，协调和恢复。

tf.train.MonitoredTrainingSession通过tf.train.MonitoredTrainingSession工作（从1.1版开始 ）：

• 它首先检查它是主管还是工人（请参阅有关词汇问题的分布式文档 ）。
• 它开始提供的钩子（例如， StopAtStepHook在此阶段将只检索global_step张量。
• 它创建一个会话，该会话是包装在_HookedSession的Chief （或Worker会话），包装在_CoordinatedSession包装在_RecoverableSession 。
  Chief / Worker会议负责运行Scaffold提供的初始化操作。

    scaffold: A `Scaffold` used for gathering or building supportive ops. If not specified a default one is created. It's used to finalize the graph. 

• chief会议还负责所有检查点部分：例如，使用Scaffold的Saver从检查点恢复。
• _HookedSession基本上是用来修饰run方法的：它在相关时调用_call_hook_before_run和after_run方法。
• 在创建时， _CoordinatedSession会构建一个Coordinator ，该Coordinator器启动队列运行器并负责关闭它们。
• _RecoverableSession将确保在出现tf.errors.AbortedError情况下重试。

总之， tf.train.MonitoredTrainingSession避免了很多样板代码，同时可以通过钩子机制轻松扩展。