tensorflow.contrib.slim实现vgg19和resnet101两种基础网络

本文介绍了作者如何依据网上教程,利用tensorflow.contrib.slim库分别实现了vgg19和resnet101两种深度学习模型,强调了slim库在构建基础网络时的便捷性,并提供了相关博客链接以供参考。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

最近自己按照网上的tensorflow中slim的编写流程,根据两篇博客和的模板自己将resnet101和vgg19实现了一遍,感觉受益匪浅,使用slim实现基础网络比使用tf.nn快捷和便利的多,以后还得向大佬学习。

https://blog.youkuaiyun.com/index20001/article/details/76623964   resnet

https://blog.youkuaiyun.com/ellin_young/article/details/79543290   vgg16

vgg19代码

# --*-- coding:utf8 --*--

import tensorflow as tf
import tensorflow.contrib.slim as slim
import random
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

def vgg16(inputs):
    with slim.arg_scope([slim.conv2d, slim.fully_connected],
                        activation_fn=tf.nn.relu,
                        weights_initializer=tf.truncated_normal_initializer(0.0, 0.01),
                        weights_regularizer=slim.l2_regularizer(0.0005)):
        net = slim.repeat(inputs, 2, slim.conv2d, 64, [3, 3], scope='conv1')
        net = slim.max_pool2d(net, [2, 2], scope='pool1')
        net = slim.repeat(net, 2, slim.conv2d, 128, [3, 3], scope='conv2')
        net = slim.max_pool2d(net, [2, 2], scope='pool2')
        net = slim.repeat(net, 4, slim.conv2d, 256, [3, 3], scope='conv3')
        net = slim.max_pool2d(net, [2, 2], scope='pool3')
        net = slim.repeat(net, 4, slim.conv2d, 512, [3, 3], scope='conv4')
        net = slim.max_pool2d(net, [2, 2], scope='pool4')
        net = slim.repeat(net, 4, slim.conv2d, 512, [3, 3], scope='conv5')
        net = slim.max_pool2d(net, [2, 2], scope='pool5')
        net = slim.flatten(net, scope='flat')

    net = slim.fully_connected(net, 4096, scope='fc1')
    net = slim.dropout(net, keep_prob=0.5, scope='dropt1')
    net = slim.fully_connected(net, 4096, scope='fc2')
    net = slim.dropout(net, keep_prob=0.5, scop
### TensorFlow中无法导入`tensorflow.contrib.slim`模块的解决方案 在TensorFlow 2.x版本中,由于架构调整,许多原本位于`contrib`中的功能被移除或迁移到其他库中。因此,在尝试使用`tensorflow.contrib.slim`时会出现`ModuleNotFoundError: No module named 'tensorflow.contrib'`错误[^1]。 为了兼容这些旧的功能并解决问题,可以采取以下措施: #### 方法一:安装独立的`tf-slim`库 `tensorflow.contrib.slim`已经被提取为一个独立的开源项目——`tf-slim`。通过安装该库,可以在不降级TensorFlow的情况下继续使用Slim的相关功能。 执行以下命令来安装`tf-slim`: ```bash pip install tf_slim ``` 安装完成后,需修改代码以适配新的导入路径。例如,原代码可能如下所示: ```python from tensorflow.contrib import slim ``` 应改为: ```python import tf_slim as slim ``` 这种方法适用于大多数场景,并能有效解决因`tensorflow.contrib`缺失而导致的错误[^4]。 #### 方法二:切换至TensorFlow 1.x版本 如果项目的依赖严重依赖于`tensorflow.contrib`下的某些功能,而暂时又无法迁移至替代方案,则可以选择回退到TensorFlow 1.x版本。需要注意的是,这可能会带来额外的工作量以及潜在的安全隐患,因为较低版本通常不再受到官方支持维护。 具体操作步骤包括卸载当前已有的TensorFlow版本并通过指定参数重新安装目标版本号: ```bash pip uninstall tensorflow pip install tensorflow==1.15 ``` 不过,鉴于长期发展的考虑,建议尽可能避免这种做法,转而寻找更现代化的技术栈。 #### 示例代码修正 假设原始脚本存在类似下面这样的语句引发异常: ```python from tensorflow.contrib import slim ``` 按照前述指导原则更新后的形式应该是这样子的样子: ```python import tf_slim as slim ``` 或者如果是整个环境都基于较老的标准构建起来的话,那么就依照先前提到的方式把框架本身换成早期发行版即可完成修复工作。 --- ### 总结 当遇到`ModuleNotFoundError: No module named 'tensorflow.contrib'`这类提示信息的时候,应该优先考虑引入外部扩展组件比如`tf-slim`作为代替品;只有在特殊情况下才推荐下调软件层次结构以便维持既有逻辑不变的同时恢复运行能力。无论如何,请始终关注最新进展技术文档说明以获取最佳实践指南[^3]。
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值