主要记录一些用CNN在文本分类（tensorflow）时遇到的问题/GPU、cuda等开发环境的配置问题
有一些是模型算法问题，还有一些是工具工程问题：
首先，说下双gpu的安装过程（电脑组装）中的坑经历以及cuda、cudnn安装时的情况，以及tensorflow官网上不去的情况，反正好多坑啊！哈哈，感觉这一轮下来软硬通吃蛤蛤蛤。结论就是多思考，多查阅，多动手尝试摸索，毕竟那些教程也是摸索出来的
接着，会说下个人对VGG、GoogLeNet、Resnet等模型的理解，因为在利用CNN进行文本分类的时候想借鉴一下他们的想法，所以看了一下，也实现了一下，暂时没有特别的好消息，和之前的87%差不多，一方面可能和样本的纯净度（70%~80%）相关，另一方面可能是在文本处理时这些模型应该有不同于图像的意义
然后，会说下关于tensorflow上name_scope和variable_scope的理解，通俗解释一下，分享一个自己困扰了一段时间的小错误，这个是关于tensorflow里graph的理解
顺便，分享一个tf上的好东西slim，如果不是他，我可不敢写GoogLenet和Resnet，因为代码太长了……slim封装了conv、pooling、repeat等操作，写起来跟torch差不多简洁了。这里浅薄的说一下，从代码的简洁程度，torch真是舒服多了，可惜语言冷门了（Lua）
最后讨论下，文本处理和图像处理的区别，图像的原子信息是像素值，是一个有二维空间顺序的方阵，而文本的原子信息暂且看做词汇，是一个有一维空间顺序的序列，那么图像上深度学习已经那么厉害了，怎么发挥在NLP领域呢？另外大家有没发现，图像像素值空间打乱顺序可能就面目全非了，但是一个短文本就算字词顺序打乱，还是较容易理解，难道是我的错觉？
1）安装cuda的坑爹经历/“软硬”通吃的我
安装cuda之前，先来了一发双硬盘双系统（win7+Ubuntu16.04）这种东西大家去查教程，一箩筐总有一款适合你；然后买了个GTX1060（那些黄牛居然把1070、1080、1080ti给买断货了。。。）、大机箱、电源来了一个电脑组装，哈哈折腾（我是技术党，装个电脑算个啥），一个老的GTS450用来接显示器，1060用来计算咯，双GPU的存在为后来tensorflow的运行留下了一个坑！
cuda的安装带着血与泪，出现最多的就是“循环登录问题”问题，试了无数的教程，还是重装多次系统（Ubuntu16.04），终于找到个好东西，https://zhuanlan.zhihu.com/p/25193943，（其实问题主要出在linux下NVIDIA驱动安装的问题，这个教程解决好重复登录的问题以后，其他教程关于cuda+cuDnn的安装都差不多）,哈哈解脱！
重装系统，因为我的电脑没插网线，最麻烦的是无限网卡驱动，没网怎么破？我就是自己用手机usb连着热点装了个无线网卡，但是没有直接用系统设置（System Setting里的Software&Updates），因为他会让你更新所有需要的驱动，我的流量…所以我找到了一个好东西，只安装无线网卡驱动，http://www.cnblogs.com/tcysky/p/6354118.html里我直接用sudo apt-get install –reinstall bcmwl-kernel-source ，蛤蛤蛤ok！
我就说一句，Python3.5的anaconda3版本是4.2.0，怎么来的，其实官网说的很清楚，https://docs.continuum.io/anaconda/faq#anaconda-faq-35,上面写着“A third option … version 4.2.0”，我是比较喜欢anaconda的，毕竟那么多包，安装起来太麻烦，哈哈ok！
说一下个人认为最简便的tensorflow安装：（1）conda建立环境，选择常用的python版本，conda create -n tensorflow python=3.5，（2）source activate tensorflow，（3）pip install tensorflow_gpu，（4）收工哈哈
tensorflow官网上不去，解法一，自己翻墙吧，你肯定有vpn，解法二，修改hosts文件：首先修改hosts文件的权限“sudo chmod 777 /etc/hosts”，然后修改文件“vim /etc/hosts”（我是习惯用vim的），加入“64.233.188.121 www.tensorflow.org”（这些引号只是我为了排版方便，事实上不存在的），至于修改权限和修改hots文件的原理，自己百度去，哈哈！
运行tensorflow出现惊天大bug，“InternalError：Failed to create session”，原因找了好一会儿发现问题出在我的两块GPU上，我没有指定任务由哪一个GPU去执行，于是解决办法为“CUDA_VISIBLE_DEVICES=0 python xxx.py”，=1是另一个GPU，搞定，oook！
2）关于一系列大佬们网络的思路整理-LeNet/AlexNet/VGG/GoogLeNet/ResNet
1. LeNet/AlexNet/VGG
先看各自的结构
（1）首先LeNet被公认为CNN的鼻祖网络，细节自行baidu/google；
输入为32*32的图像 ->
6个5*5的卷积核得到6个28*28 feature map（无激活函数） ->
Subsampling得6个14*14（2*2的视野先求和然后线性映射（wx+b）+Sigmoid） ->
16个5*5的卷积核得16个10*10 ->
Subsampling 得16个5*5 ->
120个5*5的卷积核得120个1*1 ->
全连接到84 ->
欧式径向基函数（Euclidean Radial Basis Function）
—一共7层，参数很少几万个，主要在16*5*5->120这一层（2）AlexNet基本是CNN的标配了，12年，细节http://blog.csdn.net/sunbaigui/article/details/39938097；
输入为224*224*3的图像 ->
96个11*11的卷积核得96个55*55 feature map（ReLu） -> maxpooling得96个27*27（LRN） ->
256个5*5的卷积核得256个27*27 （ReLu） -> maxpooling得到256个13*13 （LRN） ->
384个3*3的卷积核得384个13*13 （ReLu）->
384个3*3的卷积核得384个13*13 （ReLu）->
256个3*3的卷积核得256个13*13 （ReLu）-> maxpooling得256个6*6 ->
full connect/6*6的卷积核得4096(ReLu+dropout) ->
full connect得4096(ReLu+dropout) ->
full connect得1000(高斯过滤器)
–一共8层，该模型参数大概5kw+，主要参数在256*6*6->4096和4096->4096这两层，相比之前的进步：Data Augmentation、Dropout、ReLu、LRN、Overlapping Pooling、 多GPU并行（这个666）（3）VGG深度学习的代表了，14年，深度你懂得，层数多；
这个不一层一层说了，因为多，贴个链接http://www.cnblogs.com/52machinelearning/p/5821591.html，以VGG-19看下，64个3*3卷-卷（+池化）-> 128个3*3卷-卷（+池化）-> 256个3*3卷-卷-卷-卷（+池化）->512 个3*3卷-卷-卷-卷（+池化）-> 512个3*3卷-卷-卷-卷（+池化）-> 全连接4096 -> 全连接4096 -> 全连接1000，参数据说是1.4亿左右，我没数，来源http://hacker.duanshishi.com/?p=1690，与上一个Alex主要区别，哈哈，层数多在于7*7被几个3*3代替了，这里只有小卷积核，另外就是没有LRNLRN与BN的对比见http://www.cnblogs.com/houkai/p/6553186.html
计算卷积/池化之后的数据规格（padding）见http://www.jianshu.com/p/05c4f1621c7e这里总结一下上述网络，结构上一个套路，就是卷积层的堆叠+全连接（有没有不重要其实？），为什么后面的人比最初的LeNet参数多那么多，这计算量，哪儿来的勇气呢，GPU给的！
2. GoogLeNet/ResNet
真正的变化，两次，一次是GoogLeNet（14年）
一般来说，提升网络性能最直接的办法就是增加网络深度和宽度，这也就意味着巨量的参数。但是，巨量参数容易产生过拟合也会大大增加计算量。这就算了，据说直接继续在VGG上堆叠下去效果也不咋地了，换句话说，简单的堆叠到了瓶颈；
具体结构我不写了，很多人写过如http://blog.csdn.net/shuzfan/article/details/50738394、http://blog.csdn.net/langb2014/article/details/52787095
说改进：（1）V1 不同大小的卷积核处理后，拼接，这是宽度上的改进，原来只用一种卷积核多个，这里用几种卷积核多个，把pooling也看做一种，整体算是一个新的改进型卷积方法；（2）V1 使用1*1卷积核进行参数削减（听说效果并没有啥减弱？），参数少有啥好处？拒绝过拟合/算得快；（3）V2 ，使用小卷积核多层代替大卷积核，其实这个VGG就有这个意思；（4）V2 BN层的出现，对学习速率不敏感/抗拒过拟合/学得快；（5）V3 厉害的是n*1和1*n代替n*n，你知道参数下降了多少么，自己算！那么问题来了，会有信息缺失么，答案是据说没有，1*7、1*3…；（6）还有一个，Szegedy用了将近一页的篇幅叙述label smooth，公式就是new_labels = (1.0 - label_smoothing) * one_hot_labels + label_smoothing / num_classes，还提高一丢丢0.2%，没用过就不发言了；（7）V4 加入ResNet思想
总的来说就是加大了网络的宽度，原始卷积->改进型卷积，本质上就是将卷积核通道比如300个，100个用3*3、100个5*5、100个1*1，原来就是直接300个3*3，再加上一些“奇技淫巧”，大卷积核的拆解、1*1的降维、BN层的加入，效果上降低了参数量（V1是几百万好像是），准确率比VGG好一些。
其实吧，你看了前面网络参数产生的主要地方就知道，都是全连接闹得啊，所以主要是去掉了全连接层罢了，这点倒是没多么那啥。
但是并没有解决深度的问题，只是宽度上多了花样，层数20多层吧。
再一次，ResNet解决了深度的问题（15年）
naive的增加深度是不行的，见这里http://blog.csdn.net/andrewseu/article/details/70194017，ResNet让你的深度随意飞涨，其实也可以看做一种“改进型卷积层”，可堆很多层的那种；其实个人角度来看，有点像GBDT，残差学习，那就是有点boosting的感觉了；这个时候再想想drop out是不是有种随机森林bagging的感觉，难道说本质上是神经网络的集成学习？？黑人问号
这个地方再联想一下，集成学习里面的stacking将训练集弱学习器的学习结果作为输入，将训练集的输出作为输出，重新训练一个学习器来得到最终结果，感觉又有点神经网络连接的味道？
当然了，我对集成学习暂时没有啥实战经验，这都是猜想，后续玩一下Xgboost等之后继续更新吧
3） tensorflow使用的相关问题
这里可以贴一下我的新版textCNN代码，加入Inception和ResNet的思路，顺便安利一下slim这种，代码跑了一次，同样的上一版本数据，效果差不多87%~88%；扩大样本3倍多（原来23w左右，扩大到80w左右，过大会炸我内存）后效果91%~92%左右，后续改进放在大样本下分布式训练（后续技能的get）看看。
先说slim，简要介绍下新的代码
代码没想象中那么长，分两部分来吧，
这里主要是弄了一个模块，就是残差训练多次重复的地方，这里为什么不是3*3需要往后看，就先留个疑问吧，接上文，等于是一个“改进型卷积层”，看到slim没！！？，写卷积就是一句话！一句话！一句话！
#! coding:utf-8
"""
Created on Fri Jun 30 16:41:00 2017
@author: Richard Wu
"""
import tensorflow as tf
import numpy as np
slim=tf.contrib.slim
def block35(net,scale=1.0,activation_fn=tf.nn.relu,scope=None,reuse=None):
with tf.variable_scope(scope,'Block',[net],reuse=reuse):
with tf.variable_scope('Branch_0'):
tower_conv=slim.conv2d(net,32,[1,1],scope='Conv2d_1x1')
with tf.variable_scope('Branch_1'):
tower_conv1_0 = slim.conv2d(net, 32, [1,1], scope='Conv2d_0a_1x1')
tower_conv1_1 = slim.conv2d(tower_conv1_0, 32, [3,1], scope='Conv2d_0b_3x1')
with tf.variable_scope('Branch_2'):
tower_conv2_0 = slim.conv2d(net, 32, [1,1], scope='Conv2d_0a_1x1')
tower_conv2_1 = slim.conv2d(tower_conv2_0, 48, [3,1], scope='Conv2d_0b_3x1')
tower_conv2_2 = slim.conv2d(tower_conv2_1, 64, [3,1], scope='Conv2d_0c_3x1')
mixed=tf.concat(axis=3,values=[tower_conv, tower_conv1_1, tower_conv2_2])
up=slim.conv2d(mixed,net.get_shape()[3], 1, normalizer_fn=None,
activation_fn=None, scope='Conv2d_1x1')
net+=scale*up
if activation_fn:
net = activation_fn(net)
return net
稍微解释下，大佬看见了可以指点下
接着往下就是网络主体了，看到没，slim的repeat，重复10层一句话，舒服！
这里解释一下：
（1）为什么用2*256这样的卷积核而不是2*2，因为我的猜想是不破坏词向量本身，与像素相同，我认为一个词向量是一个基本元素（有心的同学可以验证了私信我讨论），所以输出的feature都是n*1的形状，也就解释了上面block的写法；
（2）为什么2*256，3*256的个数多一些，个人感觉小范围的组合词可能更加有意义？也算是可调节的超参吧；
（3）整体样式为：卷积（256的那种带拼接）-卷积-maxpooling-卷积-maxpooling-mixed卷-res*10个-mixed卷-mixed卷-avgpooling*2-（flatten）全连接，后续有突破再更新
class TextCNN(object):#定义了1个TEXTCNN的类，包含一张大的graph
"""
A CNN for text classification.
Uses an embedding layer, followed by a convolutional, max-pooling and softmax layer.
embedding层，卷积层，池化层，softmax层
"""
def __init__(
self, sequence_length, num_classes, vocab_size,
embedding_size, filter_sizes, num_filters, l2_reg_lambda=0.0):#定义各种输入参数，这里的输入是句子各词的索引？
# Placeholders for input, output and dropout
self.input_x = tf.placeholder(tf.int32, [None, sequence_length], name="input_x")
#定义一个operation，名称input_x,利用参数sequence_length，None表示样本数不定，
#不一定是一个batchsize，训练的时候是，验证的时候None不是batchsize
#这是一个placeholder，
#数据类型int32，（样本数*句子长度）的tensor，每个元素为一个单词
self.input_y = tf.placeholder(tf.float32, [None, num_classes], name="input_y")
#这个placeholder的数据输入类型为float，（样本数*类别）的tensor
self.dropout_keep_prob = tf.placeholder(tf.float32, name="dropout_keep_prob")
#placeholder表示图的一个操作或者节点，用来喂数据，进行name命名方便可视化
# Keeping track of l2 regularization loss (optional)
l2_loss = tf.constant(0.0)
#l2正则的初始化，有点像sum=0
#其实softmax是需要的
# Embedding layer
#参见
with tf.device('/cpu:0'), tf.name_scope("embedding"):#封装了一个叫做“embedding'的模块，使用设备cpu，模块里3个operation
self.W = tf.Variable(
tf.random_uniform([vocab_size, embedding_size], -1.0, 1.0),
name="W")#operation1，一个（词典长度*embedsize）tensor，作为W，也就是最后的词向量
self.embedded_chars = tf.nn.embedding_lookup(self.W, self.input_x)
#operation2，input_x的tensor维度为[none，seq_len],那么这个操作的输出为none*seq_len*em_size
self.embedded_chars_expanded = tf.expand_dims(self.embedded_chars, -1)
#增加一个维度，变成，batch_size*seq_len*em_size*channel(=1)的4维tensor，符合图像的习惯
# Create a convolution + maxpool layer for each filter size
with tf.variable_scope('InceptionResnetV2'):
with slim.arg_scope([slim.conv2d, slim.max_pool2d, slim.avg_pool2d],
stride=[1,1], padding='SAME'):
padding='VALID'
#输入batch*298*256*1，后续省略batch
#输出149 x 1 x 192
net0 = slim.conv2d(self.embedded_chars_expanded, 64, [1,256], stride=[2,256],normalizer_fn=slim.batch_norm,
scope='Conv2d_1a_1x256')
net1 = slim.conv2d(self.embedded_chars_expanded, 96, [2,256], stride=[2,256],normalizer_fn=slim.batch_norm,
scope='Conv2d_1b_2x256')
net2 = slim.conv2d(self.embedded_chars_expanded, 96, [3,256], stride=[2,256],normalizer_fn=slim.batch_norm,
scope='Conv2d_1c_3x256')
net3 = slim.conv2d(self.embedded_chars_expanded, 32, [4,256], stride=[2,256],normalizer_fn=slim.batch_norm,
scope='Conv2d_1d_4x256')
net4 = slim.conv2d(self.embedded_chars_expanded, 32, [5,256], stride=[2,256],normalizer_fn=slim.batch_norm,
scope='Conv2d_1e_5x256')
net = tf.concat([net0, net1, net2, net3, net4], 3)
#输出147 x 1 x 192
net = slim.conv2d(net, 192, [3,1], padding=padding,normalizer_fn=slim.batch_norm,scope='Conv2d_2a_3x1')
#147 x 1 x 64
#net = slim.conv2d(net, 64, [3,1], scope='Conv2d_2b_3x1')
#73 x 1 x 192
net = slim.max_pool2d(net, [3,1], stride=[2,1], padding=padding,scope='MaxPool_3a_3x1')
#73 x 1 x 80
#net = slim.conv2d(net, 80, [1,1], padding=padding,scope='Conv2d_3b_1x1')
#71 x 1 x 192
net = slim.conv2d(net, 192, [3,1], padding=padding,normalizer_fn=slim.batch_norm,scope='Conv2d_4a_3x1')
#35 x 1 x 192
net = slim.max_pool2d(net, [3,1], stride=[2,1], padding=padding,scope='MaxPool_5a_3x1')
#35 x 1 x 320
with tf.variable_scope('Mixed_5b'):
with tf.variable_scope('Branch_0'):
tower_conv = slim.conv2d(net, 96, [1,1], scope='Conv2d_1x1')
with tf.variable_scope('Branch_1'):
tower_conv1_0 = slim.conv2d(net, 48, [1,1], scope='Conv2d_0a_1x1')
tower_conv1_1 = slim.conv2d(tower_conv1_0, 64, [5,1],scope='Conv2d_0b_5x1')
with tf.variable_scope('Branch_2'):
tower_conv2_0 = slim.conv2d(net, 64, [1,1], scope='Conv2d_0a_1x1')
tower_conv2_1 = slim.conv2d(tower_conv2_0, 96, [3,1],scope='Conv2d_0b_3x1')
tower_conv2_2 = slim.conv2d(tower_conv2_1, 96, [3,1],scope='Conv2d_0c_3x1')
with tf.variable_scope('Branch_3'):
tower_pool = slim.avg_pool2d(net, [3,1], stride=[1,1], padding='SAME',scope='AvgPool_0a_3x1')
tower_pool_1 = slim.conv2d(tower_pool, 64, [1,1],scope='Conv2d_0b_1x1')
net = tf.concat([tower_conv, tower_conv1_1, tower_conv2_2, tower_pool_1], 3)
net = slim.repeat(net, 10, block35, scale=0.17)
#17 x 1 x 1088
with tf.variable_scope('Mixed_6a'):
with tf.variable_scope('Branch_0'):
tower_conv = slim.conv2d(net, 384, [3,1], stride= [2,1],padding=padding,scope='Conv2d_1a_3x1')
with tf.variable_scope('Branch_1'):
tower_conv1_0 = slim.conv2d(net, 256, [1,1], scope='Conv2d_0a_1x1')
tower_conv1_1 = slim.conv2d(tower_conv1_0, 256, [3,1],scope='Conv2d_0b_3x1')
tower_conv1_2 = slim.conv2d(tower_conv1_1, 384, [3,1],stride=[2,1],
padding=padding,scope='Conv2d_1a_3x1')
with tf.variable_scope('Branch_2'):
tower_pool = slim.max_pool2d(net, [3,1], stride=[2,1],
padding=padding,scope='MaxPool_1a_3x1')
net = tf.concat([tower_conv, tower_conv1_2, tower_pool], 3)
#8 x 1 x 2080
with tf.variable_scope('Mixed_7a'):
with tf.variable_scope('Branch_0'):
tower_conv = slim.conv2d(net, 256, [1,1], scope='Conv2d_0a_1x1')
tower_conv_1 = slim.conv2d(tower_conv, 384, [3,1], stride=[2,1],
padding=padding,scope='Conv2d_1a_3x1')
with tf.variable_scope('Branch_1'):
tower_conv1 = slim.conv2d(net, 256, [1,1], scope='Conv2d_0a_1x1')
tower_conv1_1 = slim.conv2d(tower_conv1, 288, [3,1], stride=[2,1],
padding=padding,scope='Conv2d_1a_3x1')
with tf.variable_scope('Branch_2'):
tower_conv2 = slim.conv2d(net, 256, [1,1], scope='Conv2d_0a_1x1')
tower_conv2_1 = slim.conv2d(tower_conv2, 288, [3,1],scope='Conv2d_0b_3x1')
tower_conv2_2 = slim.conv2d(tower_conv2_1, 320, [3,1], stride=[2,1],
padding=padding,scope='Conv2d_1a_3x1')
with tf.variable_scope('Branch_3'):
tower_pool = slim.max_pool2d(net, [3,1], stride=[2,1],padding=padding,scope='MaxPool_1a_3x1')
net = tf.concat([tower_conv_1, tower_conv1_1, tower_conv2_2, tower_pool], 3)
#4 x 1 x 2080
net=slim.avg_pool2d(net, [2,1], stride=[2,1],padding=padding,scope='Conv2d_7b_1x1')
with tf.variable_scope('Logits'):
net = slim.avg_pool2d(net, [4,1],stride=[4,1], padding='VALID',
scope='AvgPool_1a_4x1')
net = slim.flatten(net)
#net = slim.dropout(net, dropout_keep_prob,scope='Dropout')
#logits = slim.fully_connected(net, num_classes, activation_fn=None,scope='Logits')
# Add dropout
with tf.name_scope("dropout"):
self.h_pool_flat=net
self.h_drop = tf.nn.dropout(self.h_pool_flat, self.dropout_keep_prob)
#添加一个"dropout"的模块，里面一个操作，输出为dropout过后的128*192的tensor
# Final (unnormalized) scores and predictions
with tf.name_scope("output"):#添加一个”output“的模块，多个operation
W = tf.Variable(
tf.random_uniform([2080, num_classes], -1.0, 1.0),
name='WW')
#operation1，系数tensor，如192*2，192个features分2类，名称为"W"，注意这里用的是get_variables
b = tf.Variable(tf.constant(0.1, shape=[num_classes]), name="b")
#operation2,偏置tensor，如2，名称"b"
l2_loss += tf.nn.l2_loss(W)
#operation3，loss上加入w的l2正则
l2_loss += tf.nn.l2_loss(b)
#operation4，loss上加入b的l2正则
self.scores = tf.nn.xw_plus_b(self.h_drop, W, b, name="scores")
#operation5，scores计算全连接后的输出，如[0.2,0.7]名称”scores“
self.predictions = tf.argmax(self.scores, 1, name="predictions")
#operations，计算预测值，输出最大值的索引，0或者1，名称”predictions“
# CalculateMean cross-entropy loss
with tf.name_scope("loss"):#定义一个”loss“的模块
losses = tf.nn.softmax_cross_entropy_with_logits(logits=self.scores, labels=self.input_y)
#operation1，定义losses，交叉熵，如果是一个batch，那么是一个长度为batchsize1的tensor？
self.loss = tf.reduce_mean(losses) + l2_reg_lambda * l2_loss
#operation2，计算一个batch的平均交叉熵，加上全连接层参数的正则
# Accuracy
with tf.name_scope("accuracy"):#定义一个名称”accuracy“的模块
correct_predictions = tf.equal(self.predictions, tf.argmax(self.input_y, 1))
#operation1，根据input_y和predictions是否相同，得到一个矩阵batchsize大小的tensor
self.accuracy = tf.reduce_mean(tf.cast(correct_predictions, "float"), name="accuracy")
#operation2，计算均值即为准确率，名称”accuracy“说下关于name_scope和variable_scope的理解
其实吧，首先大家都用过文件夹，理解文件夹的意思，拿某一行代码来看吧，这里类似于文件夹。一级目录为’Block’，二级目录为’Branch_0’，三级为’Conv2d_1*1’，因而那一层卷积层的参数和操作（operation）的名称为’Block/Branch_0/Conv2d_1*1”，所以这样方便变量命名和管理，这是形象化的解释，其他的细节作用请翻看官方文档和百度。
with tf.variable_scope(scope,'Block',[net],reuse=reuse):
with tf.variable_scope('Branch_0'):
tower_conv=slim.conv2d(net,32,[1,1],scope='Conv2d_1x1')
with tf.variable_scope('Branch_1'):
tower_conv1_0 = slim.conv2d(net, 32, [1,1], scope='Conv2d_0a_1x1')
tower_conv1_1 = slim.conv2d(tower_conv1_0, 32, [3,1], scope='Conv2d_0b_3x1')
with tf.variable_scope('Branch_2'):
tower_conv2_0 = slim.conv2d(net, 32, [1,1], scope='Conv2d_0a_1x1')
tower_conv2_1 = slim.conv2d(tower_conv2_0, 48, [3,1], scope='Conv2d_0b_3x1')
tower_conv2_2 = slim.conv2d(tower_conv2_1, 64, [3,1], scope='Conv2d_0c_3x1')namescope就更加简单了，就像一个文件夹，文件夹里装着几个operation
with tf.name_scope("loss"):#定义一个”loss“的模块
losses = tf.nn.softmax_cross_entropy_with_logits(logits=self.scores, labels=self.input_y)
#operation1，定义losses，交叉熵，如果是一个batch，那么是一个长度为batchsize1的tensor？
self.loss = tf.reduce_mean(losses) + l2_reg_lambda * l2_loss
#operation2，计算一个batch的平均交叉熵，加上全连接层参数的正则- 这里说一个遇到的小问题，直接看代码，最下面4行，在Python里，写一句“b=np.argmax(a)”，运行的时候会执行将a的最大值索引赋给b，在tensorflow不是，使用b=tf.argmax(a)只是定义了一个图（Graph），也就是一个关系，他需要在Session里run的时候才执行上述赋值的操作。
def dev_step(x_batch, y_batch, writer=None):
"""
Evaluates model on a dev set
"""
#创建一个空字典用来查看各类别准确率和召回率,{key,[value1,value2,value3]}
#每次送进来一组label和predictions，对应key的value1、value2分别+1，若两者相同，该key的value3+1
acc_count={}
for i in range(num_classes):
acc_count[i]=[0,0,0]
#验证集太大，会爆内存，采用batch的思想进行计算，下面生成多个子验证集
num=20
x_batch=x_batch.tolist()
y_batch=y_batch.tolist()
l=len(y_batch)
l_20=int(l/num)
x_set=[]
y_set=[]
for i in range(num-1):
x_temp=x_batch[i*l_20:(i+1)*l_20]
x_set.append(x_temp)
y_temp=y_batch[i*l_20:(i+1)*l_20]
y_set.append(y_temp)
x_temp=x_batch[(num-1)*l_20:]
x_set.append(x_temp)
y_temp=y_batch[(num-1)*l_20:]
y_set.append(y_temp)
#每个batch验证集计算一下准确率，num个batch再平均
lis_loss=[]
lis_accu=[]
for i in range(num):
feed_dict = {
cnn.input_x: np.array(x_set[i]),
cnn.input_y: np.array(y_set[i]),
cnn.dropout_keep_prob: 1.0
}
step, summaries, loss, accuracy, predictions = sess.run(
[global_step, dev_summary_op, cnn.loss, cnn.accuracy, cnn.predictions],
feed_dict)
lis_loss.append(loss)
lis_accu.append(accuracy)
time_str = datetime.datetime.now().isoformat()
#给字典填坑
#label_in=np.argmax(cnn.input_y, 1)
label_in=np.argmax(np.array(y_set[i]), 1)
#这里不能tf.argmax,因为tf.argmax是一个operation，是图里的一个结构，并没有执行
#这里使用np.argmax,同理不能用cnn.input_y4）图形分类和文本分类
这里基本都是猜想了，可能有错的与不合适的，欢迎讨论和验证。
- 图像的基本元素是像素矩阵数值，目前中文本分类来说，主要是分词之后，以词为基本元素；大胆猜想一下，能不能以字为单位或更小的有意义单位，好比词根词缀这种东西；
- 另一方面，从向量角度，举个例子来说，很著名的word2vec中king+women-man=queen案例，如果更大胆的深层次理解，这些向量有没有基向量元素，更细致更本源的划分方式存在么？
5）Gungun结语
目前就先写这么多了，后续填的坑有
（1）模型的continous learning、online learning及distributed xxx，因为只有这样这个模型采用了实际的意义，能落地才牛皮；
（2）接下来主要的搬砖是spark上数据处理的工作，其实这个砖我还蛮期待，为什么，因为我不会spark啊，新技术什么的好东西啊！
（3）xgboost来一点实际的干货体验下，有几个同学在做，那跟一下风，看看有啥花样，深度学习与统计机器学习都是工具，理论上我得都会啊
（4）GAN，我要生成滚滚100号的照片！！！
哟，好多坑，千金难买我乐意！
扫一扫
130
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
