tf.contrib.slim arg

缘由

　　最近一直在看深度学习的代码，又一次看到了slim.arg_scope()的嵌套使用，具体代码如下：

with slim.arg_scope([slim.conv2d, slim.separable_conv2d],weights_initializer=tf.truncated_normal_initializer(stddev=weights_initializer_stddev),activation_fn=activation_fn,normalizer_fn=slim.batch_norm if use_batch_norm else None):with slim.arg_scope([slim.batch_norm], **batch_norm_params):with slim.arg_scope([slim.conv2d],weights_regularizer=slim.l2_regularizer(weight_decay)):with slim.arg_scope([slim.separable_conv2d],weights_regularizer=depthwise_regularizer) as arg_sc:return arg_sc

　　由上述代码可以看到，第一层argscope有slim.conv2d参数，第三层也有这个参数，那么不同层的参数是如何相互补充，作用到之后的代码块中，就是这篇博文的出发点。

准备工作

　　我们先看一下arg_scope的函数声明：

@tf_contextlib.contextmanager
def arg_scope(list_ops_or_scope, **kwargs):

　　有函数修饰符@tf_contextlib.contextmanager修饰arg_scope函数，我们先研究下这个函数修饰符。

@的作用

　　@之后一般接一个可调用对象（tf_contextlib.contextmanager），一起构成函数修饰符（装饰器），这个可调用对象将被修饰函数（arg_scope）作为参数，为其执行一系列辅助操作，我们来看一个demo：

import timedef my_time(func):print(time.ctime())return func()@my_time  # 从这里可以看出@time 等价于 time(xxx()),但是这种写法你得考虑python代码的执行顺序
def xxx():print('Hello world!')运行结果：
Wed Jul 26 23:01:21 2017
Hello world!

　　在这个例子中，xxx函数实现我们的主要功能，打印Hello world!，但我们想给xxx函数添加一些辅助操作，让它同时打印出时间，于是我们用函数修饰符@my_time完成这个目标。整个例子的执行流程为调用my_time可调用对象，它接受xxx函数作为参数，先打印时间，再执行xxx函数。

上下文管理器

　　既然arg_scope函数存在装饰器，那么我们应该了解一下@tf_contextlib.contextmanager装饰器提供了什么辅助功能，代码为：

import contextlib as _contextlibfrom tensorflow.python.util import tf_decoratordef contextmanager(target):"""A tf_decorator-aware wrapper for `contextlib.contextmanager`.Usage is identical to `contextlib.contextmanager`.Args:target: A callable to be wrapped in a contextmanager.Returns:A callable that can be used inside of a `with` statement."""context_manager = _contextlib.contextmanager(target)return tf_decorator.make_decorator(target, context_manager, 'contextmanager') #会在下一篇介绍这个return语句的功能

上下文管理器——contextlib库

　　可以看到导入了contextlib库，这个库提供了contextmanager函数，这也是一个装饰器，它使被修饰的函数具有上下文管理器的功能。上下文管理器使我们能在执行一段代码块之前做一些准备工作，执行完代码块之后做一些收尾工作，同样先来看一个上下文管理器的例子：

import timeclass MyTimer(object):def __init__(self, verbose = False):self.verbose = verbosedef __enter__(self):self.start = time.time()return selfdef __exit__(self, *unused):self.end = time.time()self.secs = self.end - self.startself.msecs = self.secs * 1000if self.verbose:print "elapsed time: %f ms" %self.msecs

with MyTimer(True):　　print('Hello world!')

　　类MyTimer中的__enter__和__exit__方法分别是准备工作和收尾工作。整个代码的执行过程为：先执行__enter__方法，__enter__方法中的返回值（这个例子中是self）可以用到代码块中，再执行语句块，这个例子中是print函数，最后执行__exit__方法，更多关于上下文管理器的内容可以看这，我的例子也是从那copy的。contextlib中实现上下文管理器稍有不同，一样来看个例子：

from contextlib import contextmanager@contextmanager
def tag(name):print "<%s>" % nameyieldprint "</%s>" % name>>> with tag("h1"):
...    print "foo"
运行结果：
<h1>
foo
</h1>

　　tag函数中yield之前的代码相当于__enter__方法，yield产生的生成器相当于__enter__方法的返回值，yield之后的代码相当于__exit__方法。

arg_scope方法

　　这里我把arg_scope方法中代码稍微做了一些精简，代码如下：

arg_scope = [{}]

@tf_contextlib.contextmanager
def arg_scope(list_ops_or_scope, **kwargs):　　 try:current_scope = current_arg_scope().copy()for op in list_ops_or_scope:key = arg_scope_func_key(op)if not has_arg_scope(op): # op是否用@slim.add_arg_scope修饰，这会在下一篇中介绍raise ValueError('%s is not decorated with @add_arg_scope',_name_op(op))if key in current_scope:current_kwargs = current_scope[key].copy()current_kwargs.update(kwargs)current_scope[key] = current_kwargselse:current_scope[key] = kwargs.copy()_get_arg_stack().append(current_scope)yield current_scopefinally:_get_arg_stack().pop()

# demo

with slim.arg_scope([slim.conv2d, slim.separable_conv2d],weights_initializer=tf.truncated_normal_initializer(stddev=weights_initializer_stddev),activation_fn=activation_fn,normalizer_fn=slim.batch_norm if use_batch_norm else None):with slim.arg_scope([slim.batch_norm], **batch_norm_params): with slim.arg_scope( [slim.conv2d], weights_regularizer=slim.l2_regularizer(weight_decay)): with slim.arg_scope( [slim.separable_conv2d], weights_regularizer=depthwise_regularizer) as arg_sc: return arg_sc

第一层

　　之后的层的处理就很类似，留给大家思考。

结语

　　回到我们开头提到的问题，不同层的参数是如何互相补充的？现在我们可以看到，参数存储在栈中，每叠加一层，就在原有参数基础上把新参数添加上去。

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　最后编辑于15:46:26 2018-07-24

转载于:https://www.cnblogs.com/zzy-tf/p/9356883.html