TensorFlow-Slim基础使用
TensorFlow-Slim使用方法说明
翻译自：https://github.com/tensorflow/tensorflow/tree/master/tensorflow/contrib/slim
TensorFlow-Slim
TF-Slim是Tensorflow中一个轻量级的库，用于定义、训练和评估复杂的模型。TF-Slim中的组件可以与Tensorflow中原生的函数一起使用，与其他的框架，比如与tf.contrib.learn也可以一起使用。
使用方法
import tensorflow.contrib.slim as slim为什么用TF-Slim?---现在已经要被遗弃了
TF-Slim可以使建立、训练和评估神经网络更加简单。
l 允许用户通过减少模板代码使得模型更加简洁。这个可以通过使用argument scoping和大量的高层layers、variables来实现；
l 通过使用常用的正则化（ regularizers）使得建立模型更加简单；
l 一些广泛使用的计算机视觉相关的模型（比如VGG，AlexNet）已经在slim中定义好了，用户可以很方便的使用；这些既可以当成黑盒使用，也可以被扩展使用，比如添加一些“multiple heads”到不同的内部的层；
l Slim使得扩展复杂模型变得容易，可以使用已经存在的模型的checkpoints来开始训练算法。
What are the various components of TF-Slim?
TF-Slim由几个独立存在的组件组成，主要包括以下几个：
l arg_scope：提供一个新的作用域（scope），称为arg_scope，在该作用域（scope）中，用户可以定义一些默认的参数，用于特定的操作；
l data：包含TF-Slim的dataset定义，data providers，parallel_reader，和 decoding utilities；
l evaluation：包含用于模型评估的常规函数；
l layers：包含用于建立模型的高级layers；
l learning：包含一些用于训练模型的常规函数；
l losses：包含一些用于loss function的函数；
l metrics：包含一些热门的评价标准；
l nets：包含一些热门的网络定义，如VGG，AlexNet等模型；
l queues：提供一个内容管理者，使得可以很容易、很安全地启动和关闭QueueRunners；
l regularizers：包含权重正则化；
l variables：提供一个方便的封装，用于变量创建和使用。
Defining Models
使用TF-Slim，结合variables, layers 和 scopes，模型可以很简洁地被定义。这些元件定义如下。
Variables
在原生的Tensorflow中，创建Variable需要一个预定义的值或者一种初始化机制（比如从一个高斯分布中随机采样）。此外，如果一个变量需要在一个特定的设备上（如GPU）创建，那么必须被明确说明。为了减少变量创建所需的代码，TF-Slim提供了一些封装函数（定义在variables.py中），可以使得用户定义变量变得简单。
举个例子，定义一个权重（weight）变量，使用一个截断的正态分布来初始化，使用l2 loss正则化，并将该变量放置在CPU中，我们只需要声明如下：
weights = slim.variable('weights',shape=[10, 10, 3 , 3],initializer=tf.truncated_normal_initializer(stddev=0.1),regularizer=slim.l2_regularizer(0.05),device='/CPU:0')注意到，在原生的Tensorflow中，有两种类型的variables，regular variables 和 local (transient) variables。绝大部分变量是regular variables，一旦被创建，可以使用saver来将这些变量保存到磁盘中；Local variables是那些仅仅存在于一个session内，并不会被保存到磁盘中。
TF-Slim通过定义model variables来进一步区别变量，这些是表示一个模型参数的变量。Model variables在学习期间被训练或者fine-tuned，在评估或者推断期间可以从一个checkpoint中加载。模型变量包括使用slim.fully_connected 或者 slim.conv2d创建的变量等。非模型变量（Non-model variables）指的是那些在学习或者评估阶段使用但是在实际的inference中不需要用到的变量。比如说，global_step在学习和评估阶段会用到的变量，但是实际上并不是模型的一部分。类似的，moving average variables也是非模型变量。
model variables和regular variables在TF-Slim中很容易地被创建和恢复：
# Model Variables
weights = slim.model_variable('weights',shape=[10, 10, 3 , 3],initializer=tf.truncated_normal_initializer(stddev=0.1),regularizer=slim.l2_regularizer(0.05),device='/CPU:0')
model_variables = slim.get_model_variables()# Regular variables
my_var = slim.variable('my_var',shape=[20, 1],initializer=tf.zeros_initializer())
regular_variables_and_model_variables = slim.get_variables()这是如何工作的呢？当你通过TF-Slim的layer或者直接通过slim.model_variable函数创建一个模型的变量时，TF-Slim将变量添加到tf.GraphKeys.MODEL_VARIABLES集合中。如果你想拥有自己定制化的layers或者variables创建机制，但是仍然想利用TF-Slim来管理你的变量，此时，TF-Slim提供一个方便的函数，用于添加模型的变量到集合中：
my_model_variable = CreateViaCustomCode()# Letting TF-Slim know about the additional variable.
slim.add_model_variable(my_model_variable)Layers
在原生的Tensorflow中，要定义一些层（比如说卷积层，全连接层，BatchNorm层等）是比较麻烦的。举个例子，神经网络中的卷积层由以下几个步骤组成：
- 创建权重和偏置变量
- 将输入与权重做卷积运算
- 将偏置加到第二步的卷积运算得到的结果中
- 使用一个激活函数
上面的步骤使用原始的Tensorflow代码，实现如下：
input = ...
with tf.name_scope('conv1_1') as scope:kernel = tf.Variable(tf.truncated_normal([3, 3, 64, 128], dtype=tf.float32,stddev=1e-1), name='weights')conv = tf.nn.conv2d(input, kernel, [1, 1, 1, 1], padding='SAME')biases = tf.Variable(tf.constant(0.0, shape=[128], dtype=tf.float32),trainable=True, name='biases')bias = tf.nn.bias_add(conv, biases)conv1 = tf.nn.relu(bias, name=scope)为了减少重复代码，TF-Slim提供了一些方便高级别更抽象的神经网络层。比如说，卷积层实现如下：
input = ...
net = slim.conv2d(input, 128, [3, 3], scope='conv1_1')TF-Slim提供了大量的标准的实现，用于建立神经网络。包括如下函数：
|
Layer |
TF-Slim |
|
BiasAdd |
slim.bias_add |
|
BatchNorm |
slim.batch_norm |
|
Conv2d |
slim.conv2d |
|
Conv2dInPlane |
slim.conv2d_in_plane |
|
Conv2dTranspose (Deconv) |
slim.conv2d_transpose |
|
FullyConnected |
slim.fully_connected |
|
AvgPool2D |
slim.avg_pool2d |
|
Dropout |
slim.dropout |
|
Flatten |
slim.flatten |
|
MaxPool2D |
slim.max_pool2d |
|
OneHotEncoding |
slim.one_hot_encoding |
|
SeparableConv2 |
slim.separable_conv2d |
|
UnitNorm |
slim.unit_norm |
TF-Slim也两个操作符，称为repeat 和 stack，允许用户重复执行相同的操作。比如说，下面几个卷积层加一个池化层是VGG网络的一部分，
net = ...
net = slim.conv2d(net, 256, [3, 3], scope='conv3_1')
net = slim.conv2d(net, 256, [3, 3], scope='conv3_2')
net = slim.conv2d(net, 256, [3, 3], scope='conv3_3')
net = slim.max_pool2d(net, [2, 2], scope='pool2')减少重复代码的其中一种方法是利用for循环，如下：
net = ...
for i in range(3):net = slim.conv2d(net, 256, [3, 3], scope='conv3_%d' % (i+1))
net = slim.max_pool2d(net, [2, 2], scope='pool2')另一种方式是，使用TF-Slim中的repeat操作：
net = slim.repeat(net, 3, slim.conv2d, 256, [3, 3], scope='conv3') # 3代表重复3次
net = slim.max_pool2d(net, [2, 2], scope='pool2')上面例子中，slim.repeat会自动给每一个卷积层的scopes命名为'conv3/conv3_1', 'conv3/conv3_2' 和 'conv3/conv3_3'。
另外，TF-Slim的 slim.stack操作允许用户用不同的参数重复调用同一种操作。slim.stack也为每一个被创建的操作创建一个新的tf.variable_scope。比如说，下面是一种简单的方式来创建多层感知器（Multi-Layer Perceptron (MLP)）：
# Verbose way:
x = slim.fully_connected(x, 32, scope='fc/fc_1')
x = slim.fully_connected(x, 64, scope='fc/fc_2')
x = slim.fully_connected(x, 128, scope='fc/fc_3')# Equivalent, TF-Slim way using slim.stack:
slim.stack(x, slim.fully_connected, [32, 64, 128], scope='fc')在上面的例子中，slim.stack调用了slim.fully_connected三次。类似的，我们可以使用stack来简化多层的卷积层。
# Verbose way:
x = slim.conv2d(x, 32, [3, 3], scope='core/core_1')
x = slim.conv2d(x, 32, [1, 1], scope='core/core_2')
x = slim.conv2d(x, 64, [3, 3], scope='core/core_3')
x = slim.conv2d(x, 64, [1, 1], scope='core/core_4')# Using stack:
slim.stack(x, slim.conv2d, [(32, [3, 3]), (32, [1, 1]), (64, [3, 3]), (64, [1, 1])], scope='core')Scopes
除了Tensorflow中作用域（scope）之外（name_scope, variable_scope），TF-Slim增加了新的作用域机制，称为arg_scope。这个新的作用域允许使用者明确一个或者多个操作和一些参数，这些定义好的操作或者参数会传递给arg_scope内部的每一个操作。下面举例说明。先看如下代码片段：
net = slim.conv2d(inputs, 64, [11, 11], 4, padding='SAME',weights_initializer=tf.truncated_normal_initializer(stddev=0.01),weights_regularizer=slim.l2_regularizer(0.0005), scope='conv1')
net = slim.conv2d(net, 128, [11, 11], padding='VALID',weights_initializer=tf.truncated_normal_initializer(stddev=0.01),weights_regularizer=slim.l2_regularizer(0.0005), scope='conv2')
net = slim.conv2d(net, 256, [11, 11], padding='SAME',weights_initializer=tf.truncated_normal_initializer(stddev=0.01),weights_regularizer=slim.l2_regularizer(0.0005), scope='conv3')从上面的代码中可以清楚的看出来，有3层卷积层，其中很多超参数都是一样的。两个卷积层有相同的padding，所有三个卷积层有相同的weights_initializer和weight_regularizer。上面的代码包含了大量重复的值，其中一种解决方法是使用变量来说明一些默认的值：
padding = 'SAME'
initializer = tf.truncated_normal_initializer(stddev=0.01)
regularizer = slim.l2_regularizer(0.0005)
net = slim.conv2d(inputs, 64, [11, 11], 4,padding=padding,weights_initializer=initializer,weights_regularizer=regularizer,scope='conv1')
net = slim.conv2d(net, 128, [11, 11],padding='VALID',weights_initializer=initializer,weights_regularizer=regularizer,scope='conv2')
net = slim.conv2d(net, 256, [11, 11],padding=padding,weights_initializer=initializer,weights_regularizer=regularizer,scope='conv3')上面的解决方案其实并没有减少代码的混乱程度。通过使用arg_scope，我们可以既可以保证每一层使用相同的值，也可以简化代码：
with slim.arg_scope([slim.conv2d], padding='SAME',weights_initializer=tf.truncated_normal_initializer(stddev=0.01)weights_regularizer=slim.l2_regularizer(0.0005)):net = slim.conv2d(inputs, 64, [11, 11], scope='conv1')net = slim.conv2d(net, 128, [11, 11], padding='VALID', scope='conv2')net = slim.conv2d(net, 256, [11, 11], scope='conv3')上面的例子表明，使用arg_scope可以使得代码变得更整洁、更干净并且更加容易维护。注意到，在arg_scope中规定的参数值，它们可以被局部覆盖。比如说，上面的padding参数被设置成‘SAME’，但是在第二个卷积层中用‘VALID’覆盖了这个参数。
我们也可以嵌套使用arg_scope，在相同的作用域内使用多个操作。举例如下：
with slim.arg_scope([slim.conv2d, slim.fully_connected],activation_fn=tf.nn.relu,weights_initializer=tf.truncated_normal_initializer(stddev=0.01),weights_regularizer=slim.l2_regularizer(0.0005)):with slim.arg_scope([slim.conv2d], stride=1, padding='SAME'):net = slim.conv2d(inputs, 64, [11, 11], 4, padding='VALID', scope='conv1')net = slim.conv2d(net, 256, [5, 5],weights_initializer=tf.truncated_normal_initializer(stddev=0.03),scope='conv2')net = slim.fully_connected(net, 1000, activation_fn=None, scope='fc')在上面的例子中，在第一个arg_scope中，卷积层和全连接层被应用于相同的权重初始化和权重正则化；在第二个arg_scope中，额外的参数仅仅对卷积层conv2d起作用。
Working Example: Specifying the VGG16 Layers
通过结合TF-Slim的Variables, Operations 和 scopes，我们可以使用比较少的代码来实现一个比较复杂的网络。比如说，整个VGG网络定义如下：
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, 3, slim.conv2d, 256, [3, 3], scope='conv3')net = slim.max_pool2d(net, [2, 2], scope='pool3')net = slim.repeat(net, 3, slim.conv2d, 512, [3, 3], scope='conv4')net = slim.max_pool2d(net, [2, 2], scope='pool4')net = slim.repeat(net, 3, slim.conv2d, 512, [3, 3], scope='conv5')net = slim.max_pool2d(net, [2, 2], scope='pool5')net = slim.fully_connected(net, 4096, scope='fc6')net = slim.dropout(net, 0.5, scope='dropout6')net = slim.fully_connected(net, 4096, scope='fc7')net = slim.dropout(net, 0.5, scope='dropout7')net = slim.fully_connected(net, 1000, activation_fn=None, scope='fc8')return netTraining Models
训练Tensorflow模型要求一个模型、一个loss function、梯度计算和一个训练的程序，用来迭代的根据loss计算模型权重的梯度和更新权重。TF-Slim提供了loss function和一些帮助函数，来运行训练和评估。
Losses
Loss function定义了一个我们需要最小化的量。对于分类问题，主要是计算真正的分布与预测的概率分布之间的交叉熵。对于回归问题，主要是计算预测值与真实值均方误差。
特定的模型，比如说多任务学习模型，要求同时使用多个loss function；换句话说，最终被最小化的loss function是多个其他的loss function之和。比如说，一个同时预测图像中场景的类型和深度的模型，该模型的loss function就是分类loss和深度预测loss之和（the sum of the classification loss and depth prediction loss）。
TF-Slim通过losses模块为用户提供了一种机制，使得定义loss function变得简单。比如说，下面的是我们想要训练VGG网络的简单示例：
import tensorflow as tf
import tensorflow.contrib.slim.nets as nets
vgg = nets.vgg# Load the images and labels.
images, labels = ...# Create the model.
predictions, _ = vgg.vgg_16(images)# Define the loss functions and get the total loss.
loss = slim.losses.softmax_cross_entropy(predictions, labels)在上面这个例子中，我们首先创建一个模型（利用TF-Slim的VGG实现），然后增加了标准的分类loss。现在，让我们看看当我们有一个多个输出的多任务模型的情况：
# Load the images and labels.
images, scene_labels, depth_labels = ...# Create the model.
scene_predictions, depth_predictions = CreateMultiTaskModel(images)# Define the loss functions and get the total loss.
classification_loss = slim.losses.softmax_cross_entropy(scene_predictions, scene_labels)
sum_of_squares_loss = slim.losses.sum_of_squares(depth_predictions, depth_labels)# The following two lines have the same effect:
total_loss = classification_loss + sum_of_squares_loss
total_loss = slim.losses.get_total_loss(add_regularization_losses=False)在这个例子中，我们有2个loss，是通过调用slim.losses.softmax_cross_entropy 和 slim.losses.sum_of_squares得到。我们可以将这两个loss加在一起或者调用slim.losses.get_total_loss()来得到全部的loss（total_loss）。这是如何工作的？当你通过TF-Slim创建一个loss时，TF-Slim将loss加到一个特殊的TensorFlow collection of loss functions。这使得你既可以手动得管理全部的loss，也可以让TF-Slim来替你管理它们。
如果你想让TF-Slim为你管理losses但是你有一个自己实现的loss该怎么办？loss_ops.py 也有一个函数可以将你自己实现的loss加到 TF-Slims collection中。举例如下：
# Load the images and labels.
images, scene_labels, depth_labels, pose_labels = ...# Create the model.
scene_predictions, depth_predictions, pose_predictions = CreateMultiTaskModel(images)# Define the loss functions and get the total loss.
classification_loss = slim.losses.softmax_cross_entropy(scene_predictions, scene_labels)
sum_of_squares_loss = slim.losses.sum_of_squares(depth_predictions, depth_labels)
pose_loss = MyCustomLossFunction(pose_predictions, pose_labels)
slim.losses.add_loss(pose_loss) # Letting TF-Slim know about the additional loss.# The following two ways to compute the total loss are equivalent:
regularization_loss = tf.add_n(slim.losses.get_regularization_losses())
total_loss1 = classification_loss + sum_of_squares_loss + pose_loss + regularization_loss# (Regularization Loss is included in the total loss by default).
total_loss2 = slim.losses.get_total_loss()在这个例子中，我们既可以手动的计算的出全部的loss function，也可以让TF-Slim知道这个额外的loss然后让TF-Slim处理这个loss。
Training Loop
TF-Slim提供了一个简单但是很强的用于训练模型的工具（在 learning.py）。其中包括一个可以重复测量loss，计算梯度和将模型保存到磁盘的训练函数。举个例子，一旦我们定义好了模型，loss function和最优化方法，我们可以调用slim.learning.create_train_op 和 slim.learning.train来实现优化。
g = tf.Graph()# Create the model and specify the losses...
...total_loss = slim.losses.get_total_loss()
optimizer = tf.train.GradientDescentOptimizer(learning_rate)# create_train_op ensures that each time we ask for the loss, the update_ops
# are run and the gradients being computed are applied too.
train_op = slim.learning.create_train_op(total_loss, optimizer)
logdir = ... # Where checkpoints are stored.slim.learning.train(train_op,logdir,number_of_steps=1000,save_summaries_secs=300,save_interval_secs=600):在这个例子中，提供给slim.learning.train的参数有1）train_op，用于计算loss和梯度，2）logdir用于声明checkpoints和event文件保存的路径。我们可以用number_of_steps参数来限制梯度下降的步数；save_summaries_secs=300表明我们每5分钟计算一次summaries，save_interval_secs=600表明我们每10分钟保存一次模型的checkpoint。
Working Example: Training the VGG16 Model
下面是训练一个VGG网络的例子。
import tensorflow as tf
import tensorflow.contrib.slim.nets as netsslim = tf.contrib.slim
vgg = nets.vgg...train_log_dir = ...
if not tf.gfile.Exists(train_log_dir):tf.gfile.MakeDirs(train_log_dir)with tf.Graph().as_default():# Set up the data loading:images, labels = ...# Define the model:predictions = vgg.vgg_16(images, is_training=True)# Specify the loss function:slim.losses.softmax_cross_entropy(predictions, labels)total_loss = slim.losses.get_total_loss()tf.summary.scalar('losses/total_loss', total_loss)# Specify the optimization scheme:optimizer = tf.train.GradientDescentOptimizer(learning_rate=.001)# create_train_op that ensures that when we evaluate it to get the loss,# the update_ops are done and the gradient updates are computed.train_tensor = slim.learning.create_train_op(total_loss, optimizer)# Actually runs training.slim.learning.train(train_tensor, train_log_dir)微调现有模型Fine-Tuning Existing Models
从ckpt中恢复变量的简介Brief Recap on Restoring Variables from a Checkpoint
当一个模型被训练完毕之后，它可以从一个给定的checkpoint中使用tf.train.Saver()来恢复变量。在很多情况下，tf.train.Saver()提供一个简答的机制来恢复所有变量或者一部分变量。
# Create some variables.
v1 = tf.Variable(..., name="v1")
v2 = tf.Variable(..., name="v2")
...
# Add ops to restore all the variables.
restorer = tf.train.Saver()# Add ops to restore some variables.
restorer = tf.train.Saver([v1, v2])# Later, launch the model, use the saver to restore variables from disk, and
# do some work with the model.
with tf.Session() as sess:# Restore variables from disk.restorer.restore(sess, "/tmp/model.ckpt")print("Model restored.")# Do some work with the model...详细的信息可以查看 Restoring Variables 和 Choosing which Variables to Save and Restore这两个页面。
恢复部分模型Partially Restoring Models
在一个新的数据集或者一个新的任务上fine-tune一个预训练的模型通常是比较受欢迎的。我们可以使用TF-Slim的helper函数来选择想要恢复的一部分变量：
# Create some variables.
v1 = slim.variable(name="v1", ...)
v2 = slim.variable(name="nested/v2", ...)
...# Get list of variables to restore (which contains only 'v2'). These are all
# equivalent methods:
variables_to_restore = slim.get_variables_by_name("v2")
# or
variables_to_restore = slim.get_variables_by_suffix("2")
# or
variables_to_restore = slim.get_variables(scope="nested")
# or
variables_to_restore = slim.get_variables_to_restore(include=["nested"])
# or
variables_to_restore = slim.get_variables_to_restore(exclude=["v1"])# Create the saver which will be used to restore the variables.
restorer = tf.train.Saver(variables_to_restore)with tf.Session() as sess:# Restore variables from disk.restorer.restore(sess, "/tmp/model.ckpt")print("Model restored.")# Do some work with the model...从模型中回复不同的变量名Restoring models with different variable names
当从一个checkpoint中恢复变量时，Saver定位在checkpoint文件中变量的名字，并且将它们映射到当前图（graph）的变量中去。上面，我们通过传递给saver一个变量列表来创建一个saver。在这种情况下，在checkpoint文件中定位的变量名隐式地从每个提供的变量的var. op. name中获得。
当checkpoint文件中的变量名与graph匹配时，将会工作良好。然而，有时候，我们想要从一个与当前的graph不同变量名的checkpoint中恢复变量，那么在这种情况下，我们必须给Saver提供一个字典，该字典将每个checkpoint中变量名映射到每个graph的变量。下面的例子是，通过一个简单的函数获得checkpoint中的变量的名字。
# Assuming than 'conv1/weights' should be restored from 'vgg16/conv1/weights'
def name_in_checkpoint(var):return 'vgg16/' + var.op.name# Assuming than 'conv1/weights' and 'conv1/bias' should be restored from 'conv1/params1' and 'conv1/params2'
def name_in_checkpoint(var):if "weights" in var.op.name:return var.op.name.replace("weights", "params1")if "bias" in var.op.name:return var.op.name.replace("bias", "params2")variables_to_restore = slim.get_model_variables()
variables_to_restore = {name_in_checkpoint(var):var for var in variables_to_restore}
restorer = tf.train.Saver(variables_to_restore)with tf.Session() as sess:# Restore variables from disk.restorer.restore(sess, "/tmp/model.ckpt")不同任务上微调模型Fine-Tuning a Model on a different task
考虑这么一种情况：我们有一个预训练好的VGG16模型，该模型是在ImageNet数据集上训练好的，有1000类。然而，我们想要将其应用到只有20类的Pascal VOC数据集上。为了实现这个，我们可以使用不包括最后一层的预训练模型来初始化我们的新模型。
# Load the Pascal VOC data
image, label = MyPascalVocDataLoader(...)
images, labels = tf.train.batch([image, label], batch_size=32)# Create the model
predictions = vgg.vgg_16(images)train_op = slim.learning.create_train_op(...)# Specify where the Model, trained on ImageNet, was saved.
model_path = '/path/to/pre_trained_on_imagenet.checkpoint'# Specify where the new model will live:
log_dir = '/path/to/my_pascal_model_dir/'# Restore only the convolutional layers:
variables_to_restore = slim.get_variables_to_restore(exclude=['fc6', 'fc7', 'fc8'])
init_fn = assign_from_checkpoint_fn(model_path, variables_to_restore)# Start training.
slim.learning.train(train_op, log_dir, init_fn=init_fn)评估模型
一旦我们已经训练好了一个模型（或者模型正在训练之中），我们想要看看模型的实际表现能力。这个可以通过使用一些评估度量来实现，该度量可以对模型的表现能力评分。而评估代码实际上是加载数据，做预测，将预测结果与真实值做比较，最后得到得分。这个步骤可以运行一次或者周期重复。
评估指标Metrics
我们将度量定义为一个性能度量，它不是一个loss函数（losses是在训练的时候直接最优化），但我们仍然感兴趣的是评估模型的目的。比如说，我们想要最优化log loss，但是我们感兴趣的度量可能是F1得分（test accuracy），或者是Intersection Over Union score（这是不可微的，因此不能作为损失使用）。
TF-Slim提供了一些使得评估模型变得简单的度量操作。计算度量的值可以分为以下三个步骤：
- 初始化（Initialization）：初始化用于计算度量的变量
- 聚合（Aggregation）：使用操作（比如求和操作）来计算度量
- 终止化（Finalization）：（可选的）使用最终的操作来计算度量值，比如说计算均值，最小值，最大值等。
举个例子，为了计算mean_absolute_error，2个变量，count 和 total变量被初始化为0。在聚合期间，我们观测到一些预测值和标签值，计算它们的绝对差值然后加到total中。每一次我们观测到新的一个数据，我们增加count。最后，在Finalization期间，total除以count来获得均值mean。
下面的示例演示了声明度量标准的API。由于度量经常在测试集上进行评估，因此我们假设使用的是测试集。
images, labels = LoadTestData(...)
predictions = MyModel(images)mae_value_op, mae_update_op = slim.metrics.streaming_mean_absolute_error(predictions, labels)
mre_value_op, mre_update_op = slim.metrics.streaming_mean_relative_error(predictions, labels)
pl_value_op, pl_update_op = slim.metrics.percentage_less(mean_relative_errors, 0.3)如示例所示，一个度量的创建返回两个值：value_op和update_op。value_op是一个幂等操作，它返回度量的当前值。update_op是执行上面提到的聚合步骤的操作，以及返回度量的值。
跟踪每个value_op和update_op是很费力的。为了解决这个问题，TF-Slim提供了两个便利功能：
# Aggregates the value and update ops in two lists:
value_ops, update_ops = slim.metrics.aggregate_metrics(slim.metrics.streaming_mean_absolute_error(predictions, labels),slim.metrics.streaming_mean_squared_error(predictions, labels))# Aggregates the value and update ops in two dictionaries:
names_to_values, names_to_updates = slim.metrics.aggregate_metric_map({"eval/mean_absolute_error": slim.metrics.streaming_mean_absolute_error(predictions, labels),"eval/mean_squared_error": slim.metrics.streaming_mean_squared_error(predictions, labels),
})实例：追踪多个评价指标 Tracking Multiple Metrics
将代码全部放在一起：
import tensorflow as tf
import tensorflow.contrib.slim.nets as netsslim = tf.contrib.slim
vgg = nets.vgg# Load the data
images, labels = load_data(...)# Define the network
predictions = vgg.vgg_16(images)# Choose the metrics to compute:
names_to_values, names_to_updates = slim.metrics.aggregate_metric_map({"eval/mean_absolute_error": slim.metrics.streaming_mean_absolute_error(predictions, labels),"eval/mean_squared_error": slim.metrics.streaming_mean_squared_error(predictions, labels),
})# Evaluate the model using 1000 batches of data:
num_batches = 1000with tf.Session() as sess:sess.run(tf.global_variables_initializer())sess.run(tf.local_variables_initializer())for batch_id in range(num_batches):sess.run(names_to_updates.values())metric_values = sess.run(names_to_values.values())for metric, value in zip(names_to_values.keys(), metric_values):print('Metric %s has value: %f' % (metric, value))评估 Loop
TF-Slim提供了一个评估模块(evaluation.py)，它包含了使用来自 metric_ops.py 模块编写模型评估脚本的辅助函数--scripts。这些功能包括定期运行评估、对数据批量进行评估、打印和汇总度量结果的功能。
import tensorflow as tfslim = tf.contrib.slim# Load the data
images, labels = load_data(...)# Define the network
predictions = MyModel(images)# Choose the metrics to compute:
names_to_values, names_to_updates = slim.metrics.aggregate_metric_map({'accuracy': slim.metrics.accuracy(predictions, labels),'precision': slim.metrics.precision(predictions, labels),'recall': slim.metrics.recall(mean_relative_errors, 0.3),
})# Create the summary ops such that they also print out to std output:
summary_ops = []
for metric_name, metric_value in names_to_values.iteritems():op = tf.summary.scalar(metric_name, metric_value)op = tf.Print(op, [metric_value], metric_name)summary_ops.append(op)num_examples = 10000
batch_size = 32
num_batches = math.ceil(num_examples / float(batch_size))# Setup the global step.
slim.get_or_create_global_step()output_dir = ... # Where the summaries are stored.
eval_interval_secs = ... # How often to run the evaluation.
slim.evaluation.evaluation_loop('local',checkpoint_dir,log_dir,num_evals=num_batches,eval_op=names_to_updates.values(),summary_op=tf.summary.merge(summary_ops),eval_interval_secs=eval_interval_secs)快捷接口
训练接口
slim.learning.train(Args:
train_op: A `Tensor` that, when executed, will apply the gradients and
return the loss value.
logdir: The directory where training logs are written to. If None, model
checkpoints and summaries will not be written.
train_step_fn: The function to call in order to execute a single gradient
step. The function must have take exactly four arguments: the current
session, the `train_op` `Tensor`, a global step `Tensor` and a dictionary.
train_step_kwargs: A dictionary which is passed to the `train_step_fn`. By
default, two `Boolean`, scalar ops called "should_stop" and "should_log"
are provided.
log_every_n_steps: The frequency, in terms of global steps, that the loss
and global step are logged.
graph: The graph to pass to the supervisor. If no graph is supplied the
default graph is used.
master: The address of the tensorflow master.
is_chief: Specifies whether or not the training is being run by the primary
replica during replica training.
global_step: The `Tensor` representing the global step. If left as `None`,
then training_util.get_or_create_global_step(), that is,
tf.contrib.framework.global_step() is used.
number_of_steps: The max number of gradient steps to take during training,
as measured by 'global_step': training will stop if global_step is
greater than 'number_of_steps'. If the value is left as None, training
proceeds indefinitely.
init_op: The initialization operation. If left to its default value, then
the session is initialized by calling `tf.global_variables_initializer()`.
init_feed_dict: A feed dictionary to use when executing the `init_op`.
local_init_op: The local initialization operation. If left to its default
value, then the session is initialized by calling
`tf.local_variables_initializer()` and `tf.tables_initializer()`.
init_fn: An optional callable to be executed after `init_op` is called. The
callable must accept one argument, the session being initialized.
ready_op: Operation to check if the model is ready to use. If left to its
default value, then the session checks for readiness by calling
`tf.report_uninitialized_variables()`.
summary_op: The summary operation.
save_summaries_secs: How often, in seconds, to save summaries.
summary_writer: `SummaryWriter` to use. Can be `None`
to indicate that no summaries should be written. If unset, we
create a SummaryWriter.
startup_delay_steps: The number of steps to wait for before beginning. Note
that this must be 0 if a sync_optimizer is supplied.
saver: Saver to save checkpoints. If None, a default one will be created
and used.
save_interval_secs: How often, in seconds, to save the model to `logdir`.
sync_optimizer: an instance of tf.train.SyncReplicasOptimizer, or a list of
them. If the argument is supplied, gradient updates will be synchronous.
If left as `None`, gradient updates will be asynchronous.
session_config: An instance of `tf.ConfigProto` that will be used to
configure the `Session`. If left as `None`, the default will be used.
session_wrapper: A function that takes a `tf.Session` object as the only
argument and returns a wrapped session object that has the same methods
that the original object has, or `None`. Iff not `None`, the wrapped
object will be used for training.
trace_every_n_steps: produce and save a `Timeline` in Chrome trace format
and add it to the summaries every `trace_every_n_steps`. If None, no trace
information will be produced or saved.
ignore_live_threads: If `True` ignores threads that remain running after
a grace period when stopping the supervisor, instead of raising a
RuntimeError.
Returns:
the value of the loss function after training.
Raises:
ValueError: if `train_op` is empty or if `startup_delay_steps` is
non-zero when `sync_optimizer` is supplied, if `number_of_steps` is
negative, or if `trace_every_n_steps` is not `None` and no `logdir` is
provided.
slim.learning.train(sess, train_op, global_step, train_step_kwargs)
Function that takes a gradient step and specifies whether to stop.
Args:
sess: The current session.
train_op: An `Operation` that evaluates the gradients and returns the
total loss.
global_step: A `Tensor` representing the global training step.
train_step_kwargs: A dictionary of keyword arguments.
Returns:
The total loss and a boolean indicating whether or not to stop training.
Raises:
ValueError: if 'should_trace' is in `train_step_kwargs` but `logdir` is not.
(END)
评估接口
slim.evaluation.evaluate_once( Args:
master: The BNS address of the TensorFlow master.
checkpoint_path: The path to a checkpoint to use for evaluation.
logdir: The directory where the TensorFlow summaries are written to.
num_evals: The number of times to run `eval_op`.
initial_op: An operation run at the beginning of evaluation.
initial_op_feed_dict: A feed dictionary to use when executing `initial_op`.
eval_op: A operation run `num_evals` times.
eval_op_feed_dict: The feed dictionary to use when executing the `eval_op`.
final_op: An operation to execute after all of the `eval_op` executions. The
value of `final_op` is returned.
final_op_feed_dict: A feed dictionary to use when executing `final_op`.
summary_op: The summary_op to evaluate after running TF-Slims metric ops. By
default the summary_op is set to tf.summary.merge_all().
summary_op_feed_dict: An optional feed dictionary to use when running the
`summary_op`.
variables_to_restore: A list of TensorFlow variables to restore during
evaluation. If the argument is left as `None` then
slim.variables.GetVariablesToRestore() is used.
session_config: An instance of `tf.ConfigProto` that will be used to
configure the `Session`. If left as `None`, the default will be used.
hooks: A list of additional `SessionRunHook` objects to pass during the
evaluation.
Returns:
The value of `final_op` or `None` if `final_op` is `None`.
slim.evaluation.evaluation_loop(
Args:
master: The BNS address of the TensorFlow master.
checkpoint_dir: The directory where checkpoints are stored.
logdir: The directory where the TensorFlow summaries are written to.
num_evals: The number of times to run `eval_op`.
initial_op: An operation run at the beginning of evaluation.
initial_op_feed_dict: A feed dictionary to use when executing `initial_op`.
init_fn: An optional callable to be executed after `init_op` is called. The
callable must accept one argument, the session being initialized.
eval_op: A operation run `num_evals` times.
eval_op_feed_dict: The feed dictionary to use when executing the `eval_op`.
final_op: An operation to execute after all of the `eval_op` executions. The
value of `final_op` is returned.
final_op_feed_dict: A feed dictionary to use when executing `final_op`.
summary_op: The summary_op to evaluate after running TF-Slims metric ops. By
default the summary_op is set to tf.summary.merge_all().
summary_op_feed_dict: An optional feed dictionary to use when running the
`summary_op`.
variables_to_restore: A list of TensorFlow variables to restore during
evaluation. If the argument is left as `None` then
slim.variables.GetVariablesToRestore() is used.
eval_interval_secs: The minimum number of seconds between evaluations.
max_number_of_evaluations: the max number of iterations of the evaluation.
If the value is left as 'None', the evaluation continues indefinitely.
session_config: An instance of `tf.ConfigProto` that will be used to
configure the `Session`. If left as `None`, the default will be used.
timeout: The maximum amount of time to wait between checkpoints. If left as
`None`, then the process will wait indefinitely.
timeout_fn: Optional function to call after a timeout. If the function
returns True, then it means that no new checkpoints will be generated and
the iterator will exit. The function is called with no arguments.
hooks: A list of additional `SessionRunHook` objects to pass during
repeated evaluations.
Returns:
The value of `final_op` or `None` if `final_op` is `None`.
作者
Sergio Guadarrama and Nathan Silberman
参考资料
tensorflow.contrib.slim 模块官方说明文件: README.md
其他的函数
1、slim.conv2d:二维卷积
2、slim.nets.resnet_utils.conv2d_same()：使用“SAME”填充的二维卷积
3、 tf.variable_scope()的original_name_scope 和 name的区别：
4、slim.utils.collect_named_outputs（collections, alias, outputs）：为output的tensor添加别名，并将tensor添加到collections的列表中
5、slim.separable_conv2d()：实现深度可分离卷积
6、slim.learning.train():开始训练
7、slim.evaluation.evaluation_loop():对模型的预测结果进行评估
8、slim.get_variables_to_restore(include=None, exclude=None)：
9、slim.assign_from_checkpoint_fn()：
10、tf.contrib.metrics.aggregate_metric_map():
11、Slim.conv2d_transpose（）：实现反卷积
12、slim.batch_norm()：实现批量归一化
13、slim.max_pool2d()、slim.avg_pool2d()：实现最大或者均值池化：
1、slim.conv2d:二维卷积
函数原型：
convolution(inputs,
num_outputs,
kernel_size,
stride=1,
padding='SAME',
data_format=None,
rate=1,
activation_fn=nn.relu,
normalizer_fn=None,
normalizer_params=None,
weights_initializer=initializers.xavier_initializer(),
weights_regularizer=None,
biases_initializer=init_ops.zeros_initializer(),
biases_regularizer=None,
reuse=None,
variables_collections=None,
outputs_collections=None,
trainable=True,
scope=None):
参数介绍：
inputs：指需要做卷积的输入图像
num_outputs：指定卷积核的个数（就是filter的个数）
kernel_size：N个正整数的序列，指定卷积核的空间维度。 可以是单个整数，则所有空间维度具有相同值。
stride：一组N个正整数，指定计算输出的stride。 可以是一个整数，则所有空间维具有相同的值。指定任何stride！= 1与指定任何rate！= 1不相容。
padding：为padding的方式选择，VALID或者SAME
data_format：是用于指定输入的input的格式
rate：N个正整数的序列，指定用于萎缩卷积的扩张率。 可以是单个整数，以指定所有空间维度的相同值。 指定任何rate！= 1与指定任何stride！= 1不兼容。
activation_fn：用于激活函数的指定，默认的为ReLU函数
normalizer_fn：用于指定正则化函数
normalizer_params：用于指定正则化函数的参数
weights_initializer：用于指定权重的初始化程序
weights_regularizer：为权重可选的正则化程序
biases_initializer：用于指定biase的初始化程序
biases_regularizer: biases可选的正则化程序
reuse：指定是否共享层或者和变量
variable_collections：指定变量的集合列表或者字典名，变量（weight、biase）会被添加到这个集合中。
outputs_collections：指定一个列表名，输出（output）会被添加到这个列表。这个(列表名，[output])的键值对位于Graph类的self._collection字典中，如果该字典中没有列表名的关键字，则（列表名，[output]）会被创建。
trainable:：卷积层的参数是否可被训练，如果为True，则同样会将变量添加到计算图集合GraphKeys.TRAINABLE_VARIABLES中
scope:共享变量所指的variable_scope
2、slim.nets.resnet_utils.conv2d_same()：使用“SAME”填充的二维卷积
函数原型：conv2d_same(inputs, num_outputs, kernel_size, stride, rate=1, scope=None)
inputs: 一个4维tensor：[batch, height_in, width_in, channels].
num_outputs:卷积核的个数
kernel_size: 卷积核的尺寸
stride: 输出的stride
rate: 空洞卷积膨胀率
scope: Scope.
net = conv2d_same(inputs, num_outputs, 3, stride=stride)
# 等价于
net = slim.conv2d(inputs, num_outputs, 3, stride=1, padding='SAME')
net = subsample(net, factor=stride)
# 但是和net = slim.conv2d(inputs, num_outputs, 3, stride=stride, padding='SAME')不等价，因为当输入的高度
或宽度是偶数时，它是不同的，这就是我们添加当前函数的原因。
# subsample的源码为：
def subsample(inputs, factor, scope=None):
"""Subsamples the input along the spatial dimensions.
Args:
inputs: A `Tensor` of size [batch, height_in, width_in, channels].
factor: The subsampling factor.
scope: Optional variable_scope.
Returns:
output: A `Tensor` of size [batch, height_out, width_out, channels] with the
input, either intact (if factor == 1) or subsampled (if factor > 1).
"""
if factor == 1:
return inputs
else:
return slim.max_pool2d(inputs, [1, 1], stride=factor, scope=scope)
3、 tf.variable_scope()的original_name_scope 和 name的区别：
with tf.variable_scope('a') as a:
print(a.name)
print(a.original_name_scope)
print(a.original_name_scope)
with tf.variable_scope('a') as b:
print(b.name)
print(b.original_name_scope)
输出：
a
a/
a/
a
a_1/
foo.name返回scope的名称（String）。 另一方面，foo.original_name_scope返回与foo.name相同的字符串，除非相同的scope被重新创建。 在这种情况下，所有子范围都会根据需要附加一个_＃，以便对foo.original_name_scope进行所有调用，为范围的每个实例返回唯一的内容。
4、slim.utils.collect_named_outputs（collections, alias, outputs）：为output的tensor添加别名，并将tensor添加到collections的列表中
如果这个(列表名，列表)键值对存在于Graph的self._collection字典中，则只是在列表上添加，否则会在字典中创建键值对。源码如下：
def collect_named_outputs(collections, alias, outputs):
if collections:
append_tensor_alias(outputs, alias)
# 将outputs添加到collections的列表中，这个(collections,[outputs])位于Graph的self._collection中
ops.add_to_collections(collections, outputs)
return outputs
def append_tensor_alias(tensor, alias):
if alias[-1] == '/':
alias = alias[:-1]
if hasattr(tensor, 'aliases'):
tensor.aliases.append(alias)
else:
tensor.aliases = [alias]
return tensor
5、slim.separable_conv2d()：实现深度可分离卷积
def separable_convolution2d(
inputs,
num_outputs,
kernel_size,
depth_multiplier=1,
stride=1,
padding='SAME',
data_format=DATA_FORMAT_NHWC,
rate=1,
activation_fn=nn.relu,
normalizer_fn=None,
normalizer_params=None,
weights_initializer=initializers.xavier_initializer(),
pointwise_initializer=None,
weights_regularizer=None,
biases_initializer=init_ops.zeros_initializer(),
biases_regularizer=None,
reuse=None,
variables_collections=None,
outputs_collections=None,
trainable=True,
scope=None):
"""一个2维的可分离卷积，可以选择是否增加BN层。
这个操作首先执行逐通道的卷积（每个通道分别执行卷积），创建一个称为depthwise_weights的变量。如果num_outputs
不为空，它将增加一个pointwise的卷积（混合通道间的信息），创建一个称为pointwise_weights的变量。如果
normalizer_fn为空，它将给结果加上一个偏置，并且创建一个为biases的变量，如果不为空，那么归一化函数将被调用。
最后再调用一个激活函数然后得到最终的结果。
Args:
inputs: 一个形状为[batch_size, height, width, channels]的tensor
num_outputs: pointwise 卷积的卷积核个数，如果为空，将跳过pointwise卷积的步骤.
kernel_size: 卷积核的尺寸：[kernel_height, kernel_width]，如果两个的值相同，则可以为一个整数。
depth_multiplier: 卷积乘子，即每个输入通道经过卷积后的输出通道数。总共的输出通道数将为：
num_filters_in * depth_multiplier。
stride:卷积步长，[stride_height, stride_width],如果两个值相同的话，为一个整数值。
padding: 填充方式，'VALID' 或者 'SAME'.
data_format:数据格式， `NHWC` (默认) 和 `NCHW`
rate: 空洞卷积的膨胀率：[rate_height, rate_width],如果两个值相同的话，可以为整数值。如果这两个值
任意一个大于1，那么stride的值必须为1.
activation_fn: 激活函数，默认为ReLU。如果设置为None，将跳过。
normalizer_fn: 归一化函数，用来替代biase。如果归一化函数不为空，那么biases_initializer
和biases_regularizer将被忽略。 biases将不会被创建。如果设为None，将不会有归一化。
normalizer_params: 归一化函数的参数。
weights_initializer: depthwise卷积的权重初始化器
pointwise_initializer: pointwise卷积的权重初始化器。如果设为None，将使用weights_initializer。
weights_regularizer: (可选)权重正则化器。
biases_initializer: 偏置初始化器，如果为None，将跳过偏置。
biases_regularizer: (可选)偏置正则化器。
reuse: 网络层和它的变量是否可以被重用，为了重用，网络层的scope必须被提供。
variables_collections: (可选)所有变量的collection列表，或者是一个关键字为变量值为collection的字典。
outputs_collections: 输出被添加的collection.
trainable: 变量是否可以被训练
scope: (可选)变量的命名空间。
Returns:
代表这个操作的输出的一个tensor
6、slim.learning.train():开始训练
slim.learning.train()的源码如下：
_USE_DEFAULT=0
def train(train_op,
logdir,
train_step_fn=train_step,
train_step_kwargs=_USE_DEFAULT,
log_every_n_steps=1,
graph=None,
master='',
is_chief=True,
global_step=None,
number_of_steps=None,
init_op=_USE_DEFAULT,
init_feed_dict=None,
local_init_op=_USE_DEFAULT,
init_fn=None,
ready_op=_USE_DEFAULT,
summary_op=_USE_DEFAULT,
save_summaries_secs=600,
summary_writer=_USE_DEFAULT,
startup_delay_steps=0,
saver=None,
save_interval_secs=600,
sync_optimizer=None,
session_config=None,
session_wrapper=None,
trace_every_n_steps=None,
ignore_live_threads=False):
"""
使用TensorFlow 的监督器(supervisor)来运行训练循环。 提供sync_optimizer时，讲同步进行梯度更新，否则将异步进行梯度更新。
args:
train_op: 这是一个`Tensor`,当被执行的时候，将进行梯度更新并返回损失值。,
logdir: 训练损失(trian loss)写入的目录。
train_step_fn: 为了执行单次梯度跟新操作，这个函数将会被调用。这个函数必须有四个参数：session、train_op、 global step、dictionary.
train_step_kwargs: 传给train_step_fn的一个dictionary，默认情况下，两个叫做"should_stop" 和"should_log"的布尔值需要提供。
log_every_n_steps: 多少次迭代保存一次训练损失。
graph: 传递给监督其supervisor的图，如果为空，则使用默认的graph。
master: tensorflow master的地址
is_chief: 指定是否在主要副本上运行training。
global_step: 代表全局step的tensor，如果为空，那么将会调用training_util.get_or_create_global_step(),
number_of_steps: 训练时最大的梯度更新次数，当global step大于这个值时，停止训练。如果这个值为空，则训练不会停止下来。
init_op: 初始化操作，如果为空，则调用tf.global_variables_initializer()初始化
init_feed_dict: 当执行初始化操作时的需要feed进去的一个字典
local_init_op: 局部初始化操作，如果为空，则调用tf.local_variables_initializer()和 tf.tables_initializer()来初始化
init_fn: 在Init_op被执行后，一个可选的调用函数。这个函数需要接受一个参数，即被初始化的session。
ready_op: 检查模型是否准备好了的操作，如果为空，将会调用tf.report_uninitialized_variables()。
summary_op: summary操作。
save_summaries_secs: 多少秒保存一次summaries。
summary_writer: 一个SummaryWriter，如果为None，则不会又summary会被写入。如果没有设置该值，将会自动创建一个SummaryWriter。
startup_delay_steps: 在梯度更新之前需要等待的step数。如果sync_optimizer被提供，则这个值必须为0.
saver: 保存checkpoint文件的saver，如果为None，一个默认的saver将会被创建。
save_interval_secs: 多少秒保存一次模型的checkpoint文件到logdir。
sync_optimizer: tf.train.SyncReplicasOptimizer的一个实例，或者这个实例的一个列表。如果这个参数被更新，则梯度更新操作将同步进行。如果为None，则梯度更新操作将异步进行。
session_config: tf.ConfigProto的一个实例，用于配置Session，如果为None，则将会创建一个默认值。
session_wrapper: 会话包装器，它把tf.Session作为唯一的参数传入，返回一个和tf.Session具有相同方法的包装后的session。如果不为None，则包装后的对象将会在训练中使用。
trace_every_n_steps: 以一种Chrome trace format生成并保存Timeline 保存的频率为trace_every_n_steps，如果为None， 没有任何trace信息将会别保存。
ignore_live_threads: 如果为True，则忽略那些在停止supervisor之后仍然在运行的线程，而不是引发RuntimeError。
Returns:
训练后的损失函数的值
'''
7、slim.evaluation.evaluation_loop():对模型的预测结果进行评估
slim.evaluation.evalutation_loop()的源码如下：
通常，如果我们想要评估一个保存在磁盘上的模型的checkpoint文件时，可以在一个机制集合上进行单次或者多次评估。为了评估一个特定的模型，我们需要定义0或者更多metric和0或者更多summary，然后调用evaluation_loop。
# 创建模型并获取预测值:
images, labels = LoadData(...)
predictions = MyModel(images)
# 选择需要计算的评估指标
names_to_values, names_to_updates = slim.metrics.aggregate_metric_map({
"accuracy": slim.metrics.accuracy(predictions, labels),
"mse": slim.metrics.mean_squared_error(predictions, labels),
})
# 定义需要写入的summary
for metric_name, metric_value in metrics_to_values.iteritems():
tf.summary.scalar(metric_name, metric_value)
checkpoint_dir = '/tmp/my_model_dir/'
log_dir = '/tmp/my_model_eval/'
# 评估1000个batch
num_evals = 1000
# 每10分钟评估一次
slim.evaluation_loop(
'',
checkpoint_dir,
logdir,
num_evals=num_evals,
eval_op=names_to_updates.values(),
summary_op=tf.contrib.deprecated.merge_summary(summary_ops),
eval_interval_secs=600)
def evaluation_loop(master,
checkpoint_dir,
logdir,
num_evals=1,
initial_op=None,
initial_op_feed_dict=None,
init_fn=None,
eval_op=None,
eval_op_feed_dict=None,
final_op=None,
final_op_feed_dict=None,
summary_op=_USE_DEFAULT,
summary_op_feed_dict=None,
variables_to_restore=None,
eval_interval_secs=60,
max_number_of_evaluations=None,
session_config=None,
timeout=None,
timeout_fn=None,
hooks=None):
"""返回Slim的评估循环
Args:
master:TensorFlow master的BNS地址
checkpoint_dir: checkpoint文件所在的目录
logdir: summaries被写入的目录。
num_evals: 运行eval_op的次数，通常num_eval=num_batch
initial_op: 初始化操作，在evaluation之前运行
initial_op_feed_dict: 当执行初始化操作时的feed dictionary
init_fn: (可选)一个回调函数，在初始化被调用之后执行。这个回调函数必须接受一个参数，即初始化的session。
eval_op: 一个评估操作，总共需要运行num_evals次，即每个batch运行一次
eval_op_feed_dict: 当执行eval_op时所要用的feed dictionary
final_op: 一个最终操作，在所有的eval_op被执行完以后执行，final_op的值被返回
final_op_feed_dict: 当执行final_op时的一个feed dictionary
summary_op: 在运行slim的metric操作后的评估的summary_op，默认情况下，summary_op被设置为tf.summary.merge_all().
summary_op_feed_dict: (可选)当运行summary_op时的一个feed dictionary
variables_to_restore: 在评估期间需要恢复的变量列表，如果为None，那么默认为slim.variables.GetVariablesToRestore()
eval_interval_secs: 两次评估之间的间隔(单位/秒)，即多久evaluation一次
max_number_of_evaluations: 评估迭代的最大次数，如果这个值设置为None，那么评估将无限进行。
session_config: 一个tf.ConfigProto的实例，如果为None，则默认的将会别使用。
timeout: 超时时间， The maximum amount of time to wait between checkpoints.如果为None，那么程序将一直等待。
timeout_fn: (可选)在超时之后被调用的函数。如果这个函数返回True，那么意味着没有新的checkpoint文件会被创建，迭代将会被终止，这个函数被调用时没有任何参数。
hooks: 一个额外的SessionRunHook对象的列表，在重复的评估时被传入
Returns:
如果final_op不为空的话返回final_op执行后的值，如果final_op为空的话，则返回None。
"""
if summary_op == _USE_DEFAULT:
summary_op = summary.merge_all()
all_hooks = [evaluation.StopAfterNEvalsHook(num_evals),]
if summary_op is not None:
all_hooks.append(evaluation.SummaryAtEndHook(
log_dir=logdir, summary_op=summary_op, feed_dict=summary_op_feed_dict))
if hooks is not None:
# Add custom hooks if provided.
all_hooks.extend(hooks)
saver = None
if variables_to_restore is not None:
saver = tf_saver.Saver(variables_to_restore)
return evaluation.evaluate_repeatedly(
checkpoint_dir,
master=master,
scaffold=monitored_session.Scaffold(
init_op=initial_op, init_feed_dict=initial_op_feed_dict,
init_fn=init_fn, saver=saver),
eval_ops=eval_op,
feed_dict=eval_op_feed_dict,
final_ops=final_op,
final_ops_feed_dict=final_op_feed_dict,
eval_interval_secs=eval_interval_secs,
hooks=all_hooks,
config=session_config,
max_number_of_evaluations=max_number_of_evaluations,
timeout=timeout,
timeout_fn=timeout_fn)
8、slim.get_variables_to_restore(include=None, exclude=None)：
获取所有变量，包括模型变量（如权重和参数）和常规变量(如global step)，可以传入scope进行过滤，源码如下：
def get_variables_to_restore(include=None, exclude=None):
"""Gets the list of the variables to restore.
Args:
include:一个可选的scope的列表或者元组，用来过滤来自VARIABLES collection中的变量。如果为None，则包含所有的变量。
exclude: 一个可选的scope的列表或者元组，用来用来过滤来自VARIABLES collection中的变量。如果为None，则过滤掉所有的变量。
Returns:
变量列表
"""
if include is None:
# 包含所有变量，包括model_variable和regular_variable
vars_to_include = get_variables()
else:
if not isinstance(include, (list, tuple)):
raise TypeError('include is provided but is not a list or a tuple.')
vars_to_include = []
for scope in include:
vars_to_include += get_variables(scope)
vars_to_exclude = set()
if exclude is not None:
if not isinstance(exclude, (list, tuple)):
raise TypeError('exclude is provided but is not a list or a tuple.')
for scope in exclude:
vars_to_exclude |= set(get_variables(scope))
# Exclude the variables in vars_to_exclude
return [v for v in vars_to_include if v not in vars_to_exclude]
9、slim.assign_from_checkpoint_fn()：
返回一个函数，它从checkpoint文件读取变量值并分配给给特定变量。如果ignore_missing_vars为True，并且在检查点中找不到变量，则返回None。函数的源码如下
def assign_from_checkpoint_fn(model_path, var_list, ignore_missing_vars=False,
reshape_variables=False):
"""
Args:
model_path: 模型的checkpoint文件的绝对路径。为了得到最新的checkpoint文件，可以使用：model_path = tf.train.latest_checkpoint(checkpoint_dir)
var_list: A list of `Variable` objects or a dictionary mapping names in the
checkpoint to the corresponding variables to initialize. If empty or
`None`, it would return `no_op(), None`.
ignore_missing_vars: Bool型，如果为True，它将忽略在checkpoint文件中缺失的那些变量,。
reshape_variables: Bool型, 如果为真，那么那些与checkpoint文件中的变量有不同形状的变量将会自动被reshape。
Returns:
一个只需要一个参数(tf.Session)函数,它作用是进行赋值操作。如果在checkpoint文件中没有找到任何匹配的变量，那么将会返回None
"""
if not var_list:
raise ValueError('var_list cannot be empty')
if ignore_missing_vars:
reader = pywrap_tensorflow.NewCheckpointReader(model_path)
if isinstance(var_list, dict):
var_dict = var_list
else:
var_dict = {var.op.name: var for var in var_list}
available_vars = {}
for var in var_dict:
if reader.has_tensor(var):
available_vars[var] = var_dict[var]
else:
logging.warning(
'Variable %s missing in checkpoint %s', var, model_path)
var_list = available_vars
if var_list:
saver = tf_saver.Saver(var_list, reshape=reshape_variables)
def callback(session):
saver.restore(session, model_path)
return callback
else:
logging.warning('No Variables to restore')
return None
10、tf.contrib.metrics.aggregate_metric_map():
将{metric_name:(value_tensor, update_op)}的字典转为两个字典：{metric_name:value_tensor}和{metric_name:update_op}，其中(value_tensor, update_op)由tf.metric.xxx函数产生。当metric列表的长度很长的话，将metric_name和与之相关的value_tensor和update_op配对是非常有效的。
Args:
names_to_tuples: 一个metric_name到tuples的映射。每个tuple包含metric数据流的键值对：(value_tensor, update_op)
Returns:
返回两个字典，一个是包含metric_name到value_tensor的映射,另一个包含metric_name到update_op的映射。
Example:
metrics_to_values, metrics_to_updates = slim.metrics.aggregate_metric_map({
'Mean Absolute Error': new_slim.metrics.streaming_mean_absolute_error(
predictions, labels, weights),
'Mean Relative Error': new_slim.metrics.streaming_mean_relative_error(
predictions, labels, labels, weights),
'RMSE Linear': new_slim.metrics.streaming_root_mean_squared_error(
predictions, labels, weights),
'RMSE Log': new_slim.metrics.streaming_root_mean_squared_error(
predictions, labels, weights),
})
11、Slim.conv2d_transpose（）：实现反卷积
这里反卷积的输出需要根据stride和padding方式进行计算。假设反卷积输入为 [x，x] ， 输出为 [y，y]，当padding为SAME时，y = x * stride ；当padding为VALID时， ( y - kernel_size ) / stride + 1 = x ，根据x可以求出y。更详细的理解参考这里。
def convolution2d_transpose(
inputs,
num_outputs,
kernel_size,
stride=1,
padding='SAME',
data_format=DATA_FORMAT_NHWC,
activation_fn=nn.relu,
normalizer_fn=None,
normalizer_params=None,
weights_initializer=initializers.xavier_initializer(),
weights_regularizer=None,
biases_initializer=init_ops.zeros_initializer(),
biases_regularizer=None,
reuse=None,
variables_collections=None,
outputs_collections=None,
trainable=True,
scope=None):
"""
增加一个带BN的反卷积层，这个函数创建一个weights变量代表卷积核，与输入进行卷积。如果normalizer_fn为None，第二个biase变量将会被创建，加在卷积后的结果上面。
Args:
inputs: 一个四维Tensor，形状为：[batch, height, width, in_channels]
num_outputs: 整数，卷积核的个数.
kernel_size: 卷积核大小，形状为[kernel_height, kernel_width]，如果高和宽相同的话也可以是一个整数.
stride: 卷积步长[stride_height, stride_width].如果高和宽相同的话也可以是一个整数.
padding: 填充方式： 'VALID' 或者 'SAME'.
data_format: 数据格式： `NHWC` (默认) 和 `NCHW`
activation_fn: 激活函数，默认为ReLU。如果设置为None，则不使用激活函数。
normalizer_fn: 归一化函数，用于代替biase的，如果归一化函数不为空，那么`biases_initializer`和`biases_regularizer` 将会被忽略，而且`biases`不会被添加到卷积结果。默认设置为None.
normalizer_params: 归一化函数的参数
weights_initializer: 权重初始化器，默认为xavier_initializer()
weights_regularizer:权重正则化器，默认为None。
biases_initializer: 偏置初始化器，默认是0初始化。如果设置为None，则跳过。
biases_regularizer: 偏置正则化器，默认为None。
reuse: 是否重用该网络层机器变量，如果重用网络层，那么必须提供scope
variables_collections: 变量集合，即把所有变量添加到这个集合中，默认为None.
outputs_collections: 输出结果集合，把结果添加到这个集合中，默认为None
trainable: 变量是否可训练，默认为True。
scope: 变量的variable_scope
Returns:
A tensor representing the output of the operation.
12、slim.batch_norm()：实现批量归一化
def batch_norm(inputs,
decay=0.999,
center=True,
scale=False,
epsilon=0.001,
activation_fn=None,
param_initializers=None,
param_regularizers=None,
updates_collections=ops.GraphKeys.UPDATE_OPS,
is_training=True,
reuse=None,
variables_collections=None,
outputs_collections=None,
trainable=True,
batch_weights=None,
fused=None,
data_format=DATA_FORMAT_NHWC,
zero_debias_moving_mean=False,
scope=None,
renorm=False,
renorm_clipping=None,
renorm_decay=0.99,
adjustment=None):
"""
添加一个BN层，对于conv2d和fully_connected而言，BN层相当于一个归一化函数。对于CNN中的一个batch而言，
对所有样本的同一位置的所有特征图进行归一化，如第一个样本的第一个特征图、第二个样本的第一个特征图......、
第m个样本的第一个特征图进行归一化，它们共享均值、方差、beta、gamma。每个特征图被当做一个神经元来处理。
注意: 训练时moving_mean 和 moving_variance 需要被更新，默认情况下，更新操作位于 `tf.GraphKeys.UPDATE_OPS`,
因此需要把这些更新操作添加到`train_op`的依赖中，比如：
```
update_ops = tf.get_collection(tf.GraphKeys.UPDATE_OPS)
with tf.control_dependencies(update_ops):
train_op = optimizer.minimize(loss)
```
Args:
inputs: 一个四维tensor：[batch_size ,height,width ,channel]
decay: moving average的衰减因子. `decay`的合理值是接近于1. 典型为: 0.999, 0.99, 0.9等。如果模型在训练集上表现很好，但是验证集或者测试集很差，则可以把decay设置为更小的值，比如0.9. 为了改善性能，可以尝试zero_debias_moving_mean=True。
center:如果为true，则对归一化后的tensor添加偏置，如果为false，'beta'将会别忽略。
scale: 如果为true, 则乘以 `gamma`.如果为False, `gamma` 将不被使用. 如果下一层是线性的，比如nn.relu,那么scale将会失效，因为缩放可以被下一层实现。
epsilon: 一个加在方差上的小的浮点数，避免除零错误。
activation_fn: 激活函数，默认为None。
param_initializers: (可选)初始化器，为beta, gamma, moving mean，oving variance进行初始化。
param_regularizers: (可选)参数正则化器，为beta和gamma进行正则化。
updates_collections: 更新操作的集合，这个跟新操作需要和train_op同时执行，如果为None，必须要添加控制依赖，确保更新操作被计算。C
is_training: BN层是否是训练模式，如果是训练模式，将使用指数滑动平均和decay参数计算`moving_mean`和`moving_variance`. 如果不是训练模型，将直接使用`moving_mean`和'moving_variance`.
reuse: 该BN层的变量是否被重用，如果要重用，则需要提供scope。
variables_collections: (可选)变量的集合。
outputs_collections: BN层输出的集合。
trainable: 如果为True，则把变量添加到`GraphKeys.TRAINABLE_VARIABLES`
batch_weights: (可选)一个tensor,形状为：'[batch_size]`,包含一系列batch条目的权重。如果提供，那么BN的归一化过程中将对mean和variance进行加权处理。
fused: 如果为None或者True，则使用一个更快的实现方式。如果为False，那么使用系统推荐的实现方式。
data_format: 数据格式 `NHWC` (default) 或`NCHW`。
zero_debias_moving_mean: 为moving_mean使用zero_debias.它创建了一个新的变量对， 'moving_mean/biased' 和 'moving_mean/local_step'.
scope: (可选)变量的`variable_scope`.
renorm: 是否使用batch重归一化，这在训练时增加了额外的变量，该变量对预测时不影响。
renorm_clipping: 这个重归一化的把'rmax', 'rmin', 'dmax' 映射为`Tensors`一个字典， 用来对重归一化指定范围。`(r, d)` 用于`corrected_value = normalized_value * r + d`,`r` 属于[rmin, rmax], `d`属于 [-dmax, dmax]. 如果没有rmax, rmin, dmax 将被设置为 inf, 0, inf.
renorm_decay: 重归一化的权重衰减。
adjustment: 这是一个调整函数，对输入值进行调整。
Returns:
A `Tensor` representing the output of the operation.
13、slim.max_pool2d()、slim.avg_pool2d()：实现最大或者均值池化：
def max_pool2d(inputs,
kernel_size,
stride=2,
padding='VALID',
data_format=DATA_FORMAT_NHWC,
outputs_collections=None,
scope=None):
"""Adds a 2D Max Pooling op.
Args:
inputs: 一个4-D tensor，形状为[batch_size, height, width, channels]或者[batch_size, channels, height, width]
kernel_size: 池化核的尺寸: [kernel_height, kernel_width]，如果两个值相同的话可以为一个整数值。
stride: 池化步长 [stride_height, stride_width].如果两个值相同的话可以为一个整数值。
padding: 填充方式，为 'VALID' 或者 'SAME'.
data_format: 数据格式，支持 `NHWC` (default)和 `NCHW`
outputs_collections: 输出被添加到的集合
scope: 可选的name_scope.
Returns:
返回池化操作后的tensor.
"""
def avg_pool2d(inputs,
kernel_size,
stride=2,
padding='VALID',
data_format=DATA_FORMAT_NHWC,
outputs_collections=None,
scope=None):
"""Adds a 2D average pooling op.
"""Adds a 2D Max Pooling op.
Args:
inputs: 一个4-D tensor，形状为[batch_size, height, width, channels]或者[batch_size, channels, height, width]
kernel_size: 池化核的尺寸: [kernel_height, kernel_width]，如果两个值相同的话可以为一个整数值。
stride: 池化步长 [stride_height, stride_width].如果两个值相同的话可以为一个整数值。
padding: 填充方式，为 'VALID' 或者 'SAME'.
data_format: 数据格式，支持 `NHWC` (default)和 `NCHW`
outputs_collections: 输出被添加到的集合
scope: 可选的name_scope.
Returns:
返回池化操作后的tensor.
"""
TensorFlow-Slim基础使用相关推荐
- 打造自己的图像识别模型2——使用 TensorFlow Slim 微调模型
最近在搞自己的深度学习图像识别模型.这是第二步 本文主要讲解在现有常用模型基础上,如何微调模型,减少训练时间,同时保持模型检测精度. 主要参考书籍<21个项目玩转深度学习:基于TensorFlo ...
- 7.3 TensorFlow笔记(基础篇):加载数据之从队列中读取
前言 整体步骤 在TensorFlow中进行模型训练时,在官网给出的三种读取方式,中最好的文件读取方式就是将利用队列进行文件读取,而且步骤有两步: 1. 把样本数据写入TFRecords二进制文件 2 ...
- 7.1 TensorFlow笔记(基础篇):加载数据之预加载数据与填充数据
TensorFlow加载数据 TensorFlow官方共给出三种加载数据的方式: 1. 预加载数据 2. 填充数据 预加载数据的缺点: 将数据直接嵌在数据流图中,当训练数据较大时,很消耗内存.填充的方 ...
- 7.2 TensorFlow笔记(基础篇): 生成TFRecords文件
前言 在TensorFlow中进行模型训练时,在官网给出的三种读取方式,中最好的文件读取方式就是将利用队列进行文件读取,而且步骤有两步: 1. 把样本数据写入TFRecords二进制文件 2. 从队列 ...
- 深度学习tensorflow数据流图基础知识点
一.深度学习与机器学习区别 (一)特征提取方面 1.机器学习的特征工程步骤是要靠手动完成的,而且需要大量领域专业知识 深度学习通常由多个层组成,它们通常将更简单的模型组合在一起,通过将数 据从一层传 ...
- TensorFlow Slim 工具包使用
TensorFlow Slim是Google提供的图像分类工具包,不仅提供一些方便接口,包含使用tf_slim训练和评估几个广泛使用于图像识别的卷积神经网络 (CNN) 图像分类模型的代码 ,还包含允 ...
- TensorFlow编程基础题库推荐
TensorFlow表达了高层次的机器学习计算,大幅简化了第一代系统,并且具备更好的灵活性和可延展性.TensorFlow,简单看就是Tensor和Flow,即意味着Tensor和Flow是Tenso ...
- 【深度学习-微调模型】使用Tensorflow Slim fine-tune(微调)模型
本文主要讲解在现有常用模型基础上,如何微调模型,减少训练时间,同时保持模型检测精度. 首先介绍下Slim这个Google公布的图像分类工具包,可在github链接:modules and exampl ...
- Tensorflow Slim入门教程（1）
slim入门教程 slim入门教程 1. Variable 2. Layers 2.1 slim.bias_add 2.2 slim.batch_norm 2.3 slim.conv2d 2.4 sl ...
- tensorflow入门基础
tensorflow程序一般分为两个阶段,在第一个阶段需要定义图中所有的计算.在第二个阶段就是执行计算. 1. 计算图的使用 首先在tensorflow的程序中系统会维护一个默认的计算图,通过tf.g ...
最新文章
- ls -l |wc -l命令多统计一行
- Linux 下 LaTeX 2018 安装与使用
- [SDOI2017]新生舞会
- 七牛云图片存储---Java
- python错误修复_如何修复python错误（对象不可调用）
- 创建Java动态代理
- apicloud模块和html,APICloud教程
- 【注意力机制】SENet（Squeeze-and-Excitation Networks）详解
- matlab multisim,清华大学出版社-图书详情-《仿真软件教程——Multisim和MATLAB》
- sudo rosdep init时出现错误： ERROR: cannot download default sources list from
- Flir Blackfly S USB3 工业相机：白平衡设置方法
- 庆祝小超的家开始筹建
- 数据结构之有效的括号
- maven的使用-很全
- CSS实现鼠标不可点击，样式设置以及不可点击事件的行为
- Github项目被fork后如何删除
- X-MAS CTF 2018 - Crypto - Hanukkah
- 不懂就问--Java基本数据类型与数组（定义了int型二维数组a[6][7]后,数组元素a[3][4]前的数组元素个数）案例分析
- 亚马逊、Lazada、ebay、wish、shopee、速卖通、阿里国际、沃尔玛、newegg、mercari测评自养号，卖家如何选择热门产品？来提高店铺产品的权重？
- 基于SSH的宠物商城网站设计与实现