Tensorflow slim库使用小记

slim库是tensorflow中的一个高层封装，它将原来很多tf中复杂的函数进一步封装，省去了很多重复的参数，以及平时不会考虑到的参数。可以理解为tensorflow的升级版。

导入方式：

?

1 2	import tensorflow as tf import tensorflow.contrib.slim as slim

常用函数

slim.conv2d

slim.conv2d是基于tf.conv2d的进一步封装，省去了很多参数，一般调用方法如下：

?

1	net = slim.conv2d(inputs, 256 , [ 3 , 3 ], stride= 1 , scope= 'conv1_1' )

前三个参数依次为网络的输入，输出的通道，卷积核大小，stride是做卷积时的步长。除此之外，还有几个经常被用到的参数：

?

1 2 3 4 5 6 7 8 9

padding : 补零的方式，例如 'SAME' activation_fn : 激活函数，默认是nn.relu normalizer_fn : 正则化函数，默认为None，这里可以设置为batch normalization，函数用slim.batch_norm normalizer_params : slim.batch_norm中的参数，以字典形式表示 weights_initializer : 权重的初始化器，initializers.xavier_initializer() weights_regularizer : 权重的正则化器，一般不怎么用到 biases_initializer : 如果之前有batch norm，那么这个及下面一个就不用管了 biases_regularizer : trainable : 参数是否可训练，默认为True

slim.max_pool2d

这个函数更简单了，用法如下：

?

1	net = slim.max_pool2d(net, [ 2 , 2 ], scope= 'pool1' )

slim.fully_connected

?

1	slim.fully_connected(x, 128 , scope= 'fc1' )

前两个参数分别为网络输入、输出的神经元数量。

slim.arg_scope

slim.arg_scope可以定义一些函数的默认参数值，在scope内，我们重复用到这些函数时可以不用把所有参数都写一遍。

?

1 2 3 4 5 6 7 8 9 10 11 12

with slim.arg_scope([slim.conv2d, slim.fully_connected],                      trainable=True,                      activation_fn=tf.nn.relu,                      weights_initializer=tf.truncated_normal_initializer(stddev= 0.01 ),                      weights_regularizer=slim.l2_regularizer( 0.0001 )):      with slim.arg_scope([slim.conv2d],                          kernel_size=[ 3 , 3 ],                          padding= 'SAME' ,                          normalizer_fn=slim.batch_norm):          net = slim.conv2d(net, 64 , scope= 'conv1' ))          net = slim.conv2d(net, 128 , scope= 'conv2' ))          net = slim.conv2d(net, 256 , [ 5 , 5 ], scope= 'conv3' ))

slim.arg_scope的用法基本都体现在上面了。一个slim.arg_scope内可以用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），另外，slim.arg_scope也允许相互嵌套。在其中调用的函数，可以不用重复写一些参数（例如kernel_size=[3, 3]），但也允许覆盖（例如最后一行，卷积核大小为[5，5]）。
另外，还可以把这么多scope封装成函数：

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

def new_arg_sc():      with slim.arg_scope([slim.conv2d, slim.fully_connected],                          trainable=True,                          activation_fn=tf.nn.relu,                          weights_initializer=tf.truncated_normal_initializer(stddev= 0.01 ),                          weights_regularizer=slim.l2_regularizer( 0.0001 )):          with slim.arg_scope([slim.conv2d],                              kernel_size=[ 3 , 3 ],                              padding= 'SAME' ,                              normalizer_fn=slim.batch_norm) as sc:              return sc   def main():      ......      with slim.arg_scope(new_arg_sc()):          ......

batch normalization的问题

接下来说我在用slim.batch_norm时踩到的坑。slim.batch_norm里有moving_mean和moving_variance两个量，分别表示每个批次的均值和方差。在测试时还好理解，但在测试时，moving_mean和moving_variance的含义变了。在训练时，有一些语句是必不可少的：

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

# 定义占位符，X表示网络的输入，Y表示真实值label X = tf.placeholder( "float" , [None, 224 , 224 , 3 ]) Y = tf.placeholder( "float" , [None, 100 ])   #调用含batch_norm的resnet网络，其中记得is_training=True logits = model.resnet(X, 100 , is_training=True) cross_entropy = -tf.reduce_sum(Y*tf.log(logits))   #训练的op一定要用slim的slim.learning.create_train_op，只用tf.train.MomentumOptimizer.minimize（）是不行的 opt = tf.train.MomentumOptimizer(lr_rate, 0.9 ) train_op = slim.learning.create_train_op(cross_entropy, opt, global_step=global_step)   #更新操作，具体含义不是很明白，直接套用即可 update_ops = tf.get_collection(tf.GraphKeys.UPDATE_OPS) if update_ops:      updates = tf.group(*update_ops)      cross_entropy = control_flow_ops.with_dependencies([updates], cross_entropy)

之后的训练都和往常一样了，导出模型后，在测试阶段调用相同的网络，参数is_training一定要设置成False。

?

1	logits = model.resnet(X, 100 , is_training=False)

否则，可能会出现这种情况：所有的单个图像分类，最后几乎全被归为同一类。这可能就是训练模式设置反了的问题。