假設你正在訓練的自定義tf.estimator.Estimator與tf.estimator.train_and_evaluate在類似的設置使用驗證數據集classifier = tf.estimator.Estimator(    model_fn=model_fn,    model_dir=model_dir,    params=params)train_spec = tf.estimator.TrainSpec(    input_fn = training_data_input_fn,)eval_spec = tf.estimator.EvalSpec(    input_fn = validation_data_input_fn,)tf.estimator.train_and_evaluate(    classifier,    train_spec,    eval_spec)通常，當訓練數據集的損失繼續改善而不是驗證數據集的損失繼續改善時，人們會使用驗證數據集來切斷訓練以防止過度擬合。目前tf.estimator.EvalSpec允許指定多少steps（默認為 100）來評估模型。一個人（如果可能的話不使用tf.contrib函數）如何在評估損失沒有改善的情況下指定終止訓練n（n * steps），然后將“最佳”模型/檢查點（由驗證數據集確定）保存到唯一的文件名（例如best_validation.checkpoint）