使用TF-Slim：在TensorFlow中定义复杂模型的高层库

谷歌发布了一个新的TensorFlow图像识别库 ——Slim。TF-Slim是TensorFlow的一款轻量级的生成、训练和评估模型的工具库，很容易上手使用。

自发布以来，TF-Slim 已经得到长足发展，无论是网络层、代价函数，还是评估标准，都增加了很多类型，训练和评估模型也有了很多便利的常规操作手段。
这些手段使你在并行读取数据或者在多台机器上部署模型等大规模运行时，不必为细节操心。
此外，我们还制作了 TF-Slim 图像模型库，为很多广泛使用的图像分类模型提供了定义以及训练脚本，这些都是使用标准的数据库写就的。
TF-Slim 及其组成部分都已经在谷歌内部得到广泛的使用，很多升级也都整合进了 tf.contrib.slim.
github说明：
README：https://github.com/tensorflow/models/blob/master/slim/README.md
https://github.com/tensorflow/tensorflow/tree/master/tensorflow/contrib/slim
以下几点需要强调：

许多新种类的层（如 Atrous Convolution 和 Deconvolution ）丰富了神经网络架构的大家庭。

支持更多的损失函数和 评估指标 （例如，mAP，IoU）

一个部署库，可以使得用多个 GPU / CPU在同一台机器或多台机器上执行同步或异步训练变得更简单： https://github.com/tensorflow/models/blob/master/slim/deployment/model_deploy.py

用于定义和训练许多使用广泛的图形分类模型的代码（例如，Inception[1][2][3]，VGG[4]，AlexNet[5]，ResNet[6]）： https://github.com/tensorflow/models/tree/master/slim/nets

用于上述图像分类模型的预训练模型权重。这些模型已经在 ImageNet 分类数据集上训练过了，但是也能用来执行很多其他的计算机视觉任务。举个简单的例子，我们提供了可以微调这些分类器以适应一个新的输出标签集合的代码。

容易处理标准图像数据集的工具，如 ImageNet，CIFAR 10 和 MNIST： https://github.com/tensorflow/models/tree/master/slim/datasets

想尝试一下 TF-Slim 吗？这条链接（ https://github.com/tensorflow/tensorflow/tree/master/tensorflow/contrib/slim ）可以帮到你。