tensorflow-slim

slim库是tensorflow轻量级的库，用起来很方便

slim=tf.contrib.slim

slim.arg_scope（）

为tensorflow常用的的layer函数提供默认值.

1、函数可以为多个，可以用list来同时定义多个函数的默认参数（前提是这些函数都有这些参数）

2、它可以嵌套使用

但使用的函数要满足以下条件：

被装饰器@add_arg_scope装饰,

e.g.slim.conv2d( ),slim.fully_connected( ),slim.max_pool2d( )

参考博客：https://blog.youkuaiyun.com/weixin_35653315/article/details/78160886；博客里还通过源码分析了工作原理，with语句可以嵌套，所以scope的值用栈这种数据来实现。

with slim.arg_scope(
        [layers.conv2d], 
        padding='SAME',         
        initializer= xavier_initializer(),
        regularizer= l2_regularizer(0.05)):  
    net = slim.conv2d(net, 256, [5, 5])
 

slim.utils.convert_collection_to_dict()

集合转换为字典，{节点名：输出张量值}

  with tf.variable_scope(scope, 'convolutional_alexnet', [inputs], reuse=reuse) as sc:
    end_points_collection = sc.name + '_end_points'
    with slim.arg_scope([slim.conv2d, slim.max_pool2d],
                        outputs_collections=end_points_collection):
     .....#网络结构
      #Convert end_points_collection into a dictionary of end_points.
      end_points = slim.utils.convert_collection_to_dict(end_points_collection)
      return net, end_points

除了网络最后的输出外，还返回了{节点名：输出张量值}的一个字典

slim.utils.collect_named_outputs(outputs_collections,sc.name,net)

在查看源码的时候，我发现layers的几个函数最终不是直接返回output,而是return 这个函数。

该函数定义：

if collections:
    append_tensor_alias(outputs,alias)
    ops.add_to_collections(collections,outputs)
return outputs

把这个tensor的输出值收集到collections中去，然后再返回输出值

tensorboard

可视化是由tensorboard和tf.summary共同实现的

summary_writer = tf.summary.FileWriter(train_dir, g)#可视化图

tf.summary.scalar("loss", loss)#可视化参数

summary_op = tf.summary.merge_all()#汇总所有的tf.summary，整理所有的日志生成操作

if step % 100 == 0:        #每100次更新一下tf.summary里的值
summary_str = sess.run(summary_op)
summary_writer.add_summary(summary_str, step)

注意：还可以添加：tf.summary.histogram，tf.summary.image

运行代码后，另起一个命令行运行：tensorboard --logdir train_dir

TensorBoard 1.9.0 at http://DESKTOP-VHRP9S3:6006（用浏览器打开）

小结：

TensorBoard的使用流程链接：https://www.jianshu.com/p/2f1bc36c08e0

1. 添加记录节点：tf.summary.scalar/image/histogram()等
2. 汇总记录节点：merged = tf.summary.merge_all()
3. 运行汇总节点：summary = sess.run(merged)，得到汇总结果
4. 日志书写器实例化：summary_writer = tf.summary.FileWriter(logdir, graph=sess.graph)，实例化的同时传入 graph 将当前计算图写入日志
5. 调用日志书写器实例对象summary_writer的add_summary(summary, global_step=i)方法将所有汇总日志写入文件
6. 调用日志书写器实例对象summary_writer的close()方法写入内存，否则它每隔120s写入一次
7. 如果显示不出来，可以尝试下file_writer.flush()7、如果显示不出来，可以尝试下file_writer.flush()

 

从头开始训练，或者接着上一次的结果继续训

    model_path = tf.train.latest_checkpoint(train_config['train_dir'])

    if not model_path:
      sess.run(tf.global_variables_initializer())
      sess.run(tf.local_variables_initializer())
      start_step = 0

      if model_config['embed_config']['embedding_checkpoint_file']:
        model.init_fn(sess)
    else:
      logging.info('Restore from last checkpoint: {}'.format(model_path))
      sess.run(tf.local_variables_initializer())
      saver.restore(sess, model_path)
      start_step = tf.train.global_step(sess, model.global_step.name) + 1