上节分析，我们知道创建自定义的Estimator，其主要工作就是编写自定义的模型函数。
由于模型函数是传给Estimator使用的，所以，打开~\Anaconda3\Lib\site-packages\tensorflow\python\estimator文件夹下estimator.py文件，可以看到对模型函数的要求：
细节，全在源代码中，建议大家一边阅读源代码，一边看本文
由上图可以看到：`Estimator` 对象封装了神经网络模型(model)，这个模型由model_fn的参数指定（specify），model_fn会返回必要的操作(ops)，用于训练、评估和预测。
model_fn的函数签名，如下图所示：
*基础知识：函数签名( function signature), 又叫做 type signature, 或 method signature，定义了 函数 或 方法.的输入输出，主要包括：
1）parameters and their types
2）a return value and type
3）exceptions that might be thrown or passed back
4）information about the availability of the method in an object-oriented program (such as the keywords public, static, or prototype).
由上图可知，Esitmator类定义了模型函数（model_fn)的签名（Signature)，如下：
前两个参数，features, labels都好理解，是输入函数input_fn batch化后的传入的参数。在编写model_fn函数时，features,和labels这两个参数必须有！其余参数，根据情况，可以有，也可以无。
第三个参数，mode，是tf.estimator.ModeKeys类，该类有三个成员，分别是：
TRAIN: training mode.
EVAL: evaluation mode.
PREDICT: inference mode
当调用 train、evaluate 或 predict 方法时，Estimator 框架会调用模型函数并将 mode 参数设置为如下表所示的值：
第四个参数，params，是一个字典类型的配置参数，传给模型函数所有的超参数(Hyperparameters)，如feature_columns、hidden_units、n_classesd等，例如：
params={
'feature_columns': my_feature_columns,
# Two hidden layers of 10 nodes each.
'hidden_units': [10, 10],
# The model must choose between 3 classes.
'n_classes': 3,
}
第五个参数，config，是RunConfig类的实例，里面包含执行环境(execution environment)的一系列参数，例如，model_dir、task_id、save_checkpoints_secs等等。若model_fn函数没有config这个参数，则Esitmator对象调用默认的run_config.RunConfig()函数来执行默认的执行环境配置，如下图所示：
大多数情况下，第五个参数是不用在自定义的model_fn函数中实现的，所以，通常情况下，model_fn函数原型简化为：
模型函数的签名分析完毕，下一节，将详细分析鸢尾花的自定义模型函数，并总结模型函数、输入函数以及特征列的编写方法。