Abandon_first的博客

tensorflow2.0(1)

tensorflow2.0(2)

tensorflow2.0(3)

tensorflow2.0(4)

TFrecord 是 tensorflow 中的数据集存储格式，它的写入和读取相当于序列化和反序列化的过程。 下面内容都是基于 tf2 版本来说明，两个版本中 tfrecord 的核心并没有改变，即序列化和反序列化。但是个人认为 tf2 里面对于读取 tfrecords 文件建立 Dataset 直接用于训练的支持更方便好用了，比如 batch、shuffle、repeat 等方面，所以在这点上基本摒弃了 tf1。 写入/序列化 （1）将数据读到内存，并转换为 tf.train.Example 对象，每个对

最近看到的关于 tf.image.resize 函数吐槽有点多，我也来参与一下好了。 在习惯使用 cv 及 numpy 搭配对图像实现一些变换的背景下，使用 tf 的图像处理函数可能会带来很多数据层面的麻烦。 使用 image = cv2.imread(path) 得到的结果是 uint8 类型的图像，继续对 image 进行resize 等操作得到的返回结果仍然是 uint8，像素值的 range 仍然维持 0~255。然而这些整齐划一的操作在 tf.image.resize 中无法保证。 在 tf 中

没有在 API 文档查看到过关于 tensorflow 版本直接切换的内容，在 tensorflow git 上倒是有介绍版本升级的工具。 TensorFlow Python API 升级实用程序 此工具允许您升级现有的 TensorFlow Python 脚本，特别是： tf_upgrade_v2.py：将代码从 TensorFlow 1.x 升级到 TensorFlow 2.0 预览版。 tf_upgrade.py：将代码从 TensorFlow 0.11 升级到 TensorFlow 1.0。 在安装

slim 概述 tf_slim 库能够使定义、训练和评估神经网络变得更简单。如其下的 arg_scope 和 layers 能够使定义模型变得更简单。 比如 slim.arg_scope，它可以给函数的参数自动赋予某些默认值。使用了之后，就不需要每次都重复设置参数，只需要在有需要修改的地方重新设置即可。如此，可以大大减少代码量，与此同时，增加可读性，减少误操作。当模型层数很多，同时有很多类似甚至完全一样的层时，使用 arg_scope 能大大减少定义模型的工作量。 导入 slim 模块 从 Tensorfl

Tensorflow2 更新之后，越来越多的工作要慢慢迁移到新版本中，但是我个人认为 tf 版本之间的兼容性有时候真的很让人无语。 当找不到对应方法或调用时，大部分可以通过 .compat.v1 来解决，这就不说了； 最难受的是，同一个函数，名字完全一致，在 tf1 和 tf2 中调用方法都一样，可是函数内的具体实现却并不同。 如下面 in_top_k ： top_k_op = tf.nn.in_top_k(logits, label_holder, 1) 在两个版本中都是通过 tf.nn.in_top_k