TF-Slim的使用解析及其搭建CNN的方法

最新推荐文章于 2020-08-18 12:37:31 发布

苏格拉-

最新推荐文章于 2020-08-18 12:37:31 发布

阅读量682

点赞数 2

CC 4.0 BY-SA版权

文章标签： Tensorflow TF-Slim 深度学习

本文链接：https://blog.youkuaiyun.com/qq_40268412/article/details/98257691

本文介绍了TF-Slim在Tensorflow中的作用，作为Tensorflow的抽象库，它使创建CNN的代码更简洁。通过示例展示了如何使用repeat函数构建相同卷积层，并利用arg_scope进行参数共享。利用TF-Slim搭建了一个简单的CNN模型对MNIST数据集进行分类，尽管只训练了5个周期，但已体现出TF-Slim在定义复杂网络时的便利性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本文参考：

《Tensorflow学习指南：深度学习系统构建详解》

在Tensorflow的学习中，关于Tensorflow的抽象与简化提到最多的就是TF-Slim，因此做了一下简单的记录。TF-Slim属于Tensorflow的抽象库，相对于直接使用Tensorflow硬核搭建CNN，使用TF-Slim代码更加简单，主要原因在于TF-Slim可以直接定义一个层级的操作，包括卷积核大小、数量、权值初始化、正则化和激活函数：

net = slim.conv2d(inputs, 64, [11,11], 4, padding='SAME',
           weights_initializer = tf.truncated_normal_initializer(0.0,0.01),
           weights_regularizer = slim.l2_regularizer(0.0005))

如果网络结构中存在几个相同的卷积层相连，可以使用repeat命令高效实现，如定义连续五个卷积层：

net = slim.repeat(net, 5, slim.conv2d, 128, [3,3], scope='conv1')

另外TF-Slim可以使用arg_scope产生域，允许传递一组共享参数给域中的每个操作，由于书中并没有完整的实例，因此利用TF-Slim搭建了一个简单的CNN对MNIST数据集进行了识别分类，其完整代码如下：

import tensorflow as tf
from tensorflow.contrib import slim
from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets("MNIST_data/",one_hot=True)  #读取数据
batch_size = 100