update:supervisor的缺点是遇到问题只会抛异常，所以现在有一个better的管理工具,MonitoredSession
master,chief worker,Supervisor 这几个概念有点搞不清（我最菜.jpg 因此来学习一下。
概述#
原生的tensorflow 是各种东西都需要自己手动，如果是小规模的训练问题倒是不大，但是如果是训练的数据量比较大，可能需要训练几天或者几个月。。。
那原生的tensorflow的健壮性可能就比较堪忧。。。
万一断电了之类。。。
这时候我们就可以使用supervisor
其主要提供下面三个功能，以增强训练的健壮性：
* Handles shutdowns and crashes cleanly.
* Can be resumed after a shutdown or a crash.
* Can be monitored through TensorBoard.
supervisor可以看做一个工具，或者说是对原生tensorflow的一层封装，目的主要是通过定期save的方法增强训练健壮性，
就算程序挂掉了也可以从上一次save的checkpoint恢复，而不是从头再来（虽然这些也可以手动实现（？）
同时也可以简化代码量
除了supervisor,还有tf.learn库，里面提供对原生tensorflow更高层的封装，也提供更丰富的功能。
实例#
来举个具体的例子好了：
在不使用supervisor的时候，我们的训练代码如下：
1variables
2...
3ops
4...
5summary_op
6...
7merge_all_summarie
8saver
9init_op
10
11with tf.Session() as sess:
12 writer = tf.tf.train.SummaryWriter()
13 sess.run(init)
14 saver.restore()
15 for ...:
16 train
17 merged_summary = sess.run(merge_all_summarie)
18 writer.add_summary(merged_summary,i)
19 saver.save如果使用supervisor，代码如下：
1import tensorflow as tf
2a = tf.Variable(1)
3b = tf.Variable(2)
4c = tf.add(a,b)
5update = tf.assign(a,c)
6tf.scalar_summary("a",a)
7init_op = tf.initialize_all_variables()
8merged_summary_op = tf.merge_all_summaries()
9sv = tf.train.Supervisor(logdir="/home/keith/tmp/",init_op=init_op) #logdir用来保存checkpoint和summary
10saver=sv.saver #创建saver
11with sv.managed_session() as sess: #会自动去logdir中去找checkpoint，如果没有的话，自动执行初始化
12 for i in xrange(1000):
13 update_ = sess.run(update)
14 print update_
15 if i % 10 == 0:
16 merged_summary = sess.run(merged_summary_op)
17 sv.summary_computed(sess, merged_summary,global_step=i)
18 if i0 == 0:
19 saver.save(sess,logdir="/home/keith/tmp/",global_step=i)结论#
从上面代码可以看出，Supervisor帮助我们处理一些事情
（1）自动去checkpoint加载数据或初始化数据
（2）自身有一个Saver，可以用来保存checkpoint
（3）有一个summary_computed用来保存Summary
所以，我们就不需要：
（1）手动初始化或从checkpoint中加载数据
（2）不需要创建Saver，使用sv内部的就可以
（3）不需要创建summary writer
参考资料：