tensorflow中的slim函数集合

参考   tensorflow中的slim函数集合 - 云+社区 - 腾讯云

目录

slim.get_model_variables()

slim.get_trainable_variables()

slim.learning.train()

slim.fully_connected()

slim.softmax()

slim.get_model_variables()

slim.get_or_create_global_step()

slim.arg_scope()

slim.variance_scaling_initializer()

slim.l2_regularizer()

slim.flatten()

slim.max_pool2d()

---

slim.get_model_variables()

def get_model_variables(scope=None, suffix=None):

  return get_variables(scope, suffix, ops.GraphKeys.MODEL_VARIABLES)

获取按范围和/或后缀过滤的模型变量列表。

参数：

• 作用域:筛选要返回的变量的可选作用域。
• 后缀:用于过滤要返回的变量的可选后缀。

返回值：

• 集合中具有范围和后缀的变量列表。

slim.get_trainable_variables()

def get_trainable_variables(scope=None, suffix=None):

  return get_variables(scope, suffix, ops.GraphKeys.TRAINABLE_VARIABLES)

获取按范围和/或后缀过滤可训练变量列表。

参数：

• 作用域:筛选要返回的变量的可选作用域。
• 后缀:用于过滤要返回的变量的可选后缀。

返回值：

• 具有范围和后缀的可训练集合中的变量列表。

slim.learning.train()

slim.learning.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_summaried_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)

参数众多，其中重要的有：

• train_op，指定优化算法
• logdir，指定训练数据保存文件夹
• save_summaries_secs，指定每隔多少秒更新一次日志文件（对应 tensorboard 刷新一次的时间）
• save_interval_secs，指定每隔多少秒保存一次模型

slim.fully_connected()

def fully_connected(inputs,
                    num_outputs,
                    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)

添加一个完全连接的层。“fully_connected”创建一个名为“weights”的变量，表示一个完全连接的权重矩阵，该矩阵乘以“输入”，生成一个隐藏单元的“张量”。如果提供了' normalizer_fn '(例如' batch_norm ')，则应用它。否则，如果‘normalizer_fn’为None，并且提供了一个‘biases_initializer’，那么就会创建一个‘bias’变量，并添加隐藏的单元。最后，如果“activation_fn”不是“None”，那么它也应用于隐藏单元。注意:如果“输入”的秩大于2，那么“输入”在初始矩阵乘以“权重”之前是平坦的。

参数：

• inputs:至少秩为2的张量，最后一个维度为静态值;即。' [batch_size, depth] '， ' [None, None, None, channels] '。
• num_output:整数或长，层中输出单元的数量。
• activation_fn:激活函数。默认值是一个ReLU函数。显式地将其设置为None以跳过它并保持线性激活。
• normalizer_fn:用来代替“偏差”的归一化函数。如果提供“normalizer_fn”，则忽略“biases_initializer”和“biases_regularizer”，并且不会创建或添加“bias”。对于no正常化器函数，默认设置为None
• normalizer_params:规范化函数参数。
• weights_initializer:权值的初始化器。
• weights_regularizer:可选的权重正则化器。
• biases_initializer:用于偏差的初始化器。如果没有人跳过偏见。
• biases_regularizer:可选的偏差调整器。
• reuse:是否应该重用层及其变量。为了能够重用层范围，必须给出。
• variables_collections:所有变量的可选集合列表，或包含每个变量的不同集合列表的字典。
• outputs_collections:用于添加输出的集合。
• trainable:如果“True”还将变量添加到图形集合“GraphKeys”中。TRAINABLE_VARIABLES”(见tf.Variable)。
• scope:variable_scope的可选作用域。

返回值：

• 表示一系列运算结果的张量变量。

可能产生的异常：

• ValueError: If x has rank less than 2 or if its last dimension is not set.

slim.softmax()

softmax(logits, scope=None)

对n维logit张量的第n维执行softmax。对于二维logits，这可以归结为tf.n .softmax。第n个维度需要具有指定数量的元素(类的数量)。

参数：

• logits: N维张量，其中N > 1。
• scope:variable_scope的可选作用域。

返回值：

• 一个形状和类型与logits相同的“张量”。

slim.get_model_variables()

def get_model_variables(scope=None, suffix=None):

  return get_variables(scope, suffix, ops.GraphKeys.MODEL_VARIABLES)

获取按范围和/或后缀过滤的模型变量列表。

参数：

• scope:筛选要返回的变量的可选作用域
• suffix:用于过滤要返回的变量的可选后缀

返回值：

• 集合中具有范围和后缀的变量列表

slim.get_or_create_global_step()

get_or_create_global_step()

返回并创建(必要时)全局阶跃张量。

参数：

• graph:用来创建全局阶跃张量的图。如果丢失,使用默认的图。

返回值：

• 全局阶跃张量

slim.arg_scope()

def arg_scope(list_ops_or_scope, **kwargs):
  if isinstance(list_ops_or_scope, dict):
    # Assumes that list_ops_or_scope is a scope that is being reused.
    if kwargs:
      raise ValueError('When attempting to re-use a scope by suppling a'
                       'dictionary, kwargs must be empty.')
    current_scope = list_ops_or_scope.copy()
    try:
      _get_arg_stack().append(current_scope)
      yield current_scope
    finally:
      _get_arg_stack().pop()
  else:
    # Assumes that list_ops_or_scope is a list/tuple of ops with kwargs.
    if not isinstance(list_ops_or_scope, (list, tuple)):
      raise TypeError('list_ops_or_scope must either be a list/tuple or reused '
                      'scope (i.e. dict)')
    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):
          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_kwargs
        else:
          current_scope[key] = kwargs.copy()
      _get_arg_stack().append(current_scope)
      yield current_scope
    finally:
      _get_arg_stack().pop()

存储给定list_ops集合的默认参数。

参数:

• list_ops_or_scope:为包含当前范围的字典设置参数范围的操作的列表或元组。当list_ops_or_scope是dict时，kwargs必须为空。当list_ops_or_scope是一个列表或元组时，其中的每个op都需要用@add_arg_scope修饰才能工作。
• **kwargs: keyword=value，它将为list_ops中的每个操作定义默认值。所有的ops都需要接受给定的一组参数。**kwargs：current_scope是{op: {arg: value}}的字典。

返回值：

• yield:current_scope是{op: {arg: value}}的字典

可能产生的异常：

• TypeError: if list_ops is not a list or a tuple.
• ValueError: if any op in list_ops has not be decorated with @add_arg_scope.

slim.variance_scaling_initializer()

def xavier_initializer(uniform=True, seed=None, dtype=dtypes.float32):

  if not dtype.is_floating:
    raise TypeError('Cannot create initializer for non-floating point type.')
  if mode not in ['FAN_IN', 'FAN_OUT', 'FAN_AVG']:
    raise TypeError('Unknown mode %s [FAN_IN, FAN_OUT, FAN_AVG]', mode)

返回对权重执行“Xavier”初始化的初始化器。此函数实现权重初始化，从:

Xavier Glorot和yobengio(2010):[了解深度前馈神经网络训练的难点]。(http://www.jmlr.org/programedings/papers/v9/glorot10a/glorot10a.pdf)

这个初始化器的设计目的是在所有层中保持梯度的比例大致相同。在均匀分布中，这个范围是' x = sqrt(6。/ (in + out);正态分布的标准差为√2。/ (in + out))’。

参数：

• factor:浮动。一个乘法因素
• mode:字符串。“FAN_IN”、“FAN_OUT’,‘FAN_AVG’
• uniform:是否使用均匀或正态分布随机初始化
• seed:一个Python整数。用于创建随机种子。看到“特遣部队。set_random_seed”行为
• dtype:数据类型。只支持浮点类型

返回值：

• 生成单位方差张量的初始化器

可能产生的异常：

• ValueError: if `dtype` is not a floating point type.
• TypeError: if `mode` is not in ['FAN_IN', 'FAN_OUT', 'FAN_AVG'].

slim.l2_regularizer()

def l2_regularizer(scale, scope=None):
  if isinstance(scale, numbers.Integral):
    raise ValueError('scale cannot be an integer: %s' % (scale,))
  if isinstance(scale, numbers.Real):
    if scale < 0.:
      raise ValueError('Setting a scale less than 0 on a regularizer: %g.' %
                       scale)
    if scale == 0.:
      logging.info('Scale of 0 disables regularizer.')
      return lambda _: None

返回一个函数，该函数可用于对权重应用L2正则化。较小的L2值有助于防止训练数据过度拟合。

参数：

• scale:标量乘法器“张量”。0.0禁用正则化器
• scope:可选的作用域名称

返回值：

• 一个带有“l2(权重)”签名的函数，它应用l2正则化

可能产生的异常：

• ValueError: If scale is negative or if scale is not a float.

slim.flatten()

在保持batch_size的同时，将输入压扁。假设第一个维度表示批处理。

def flatten(inputs, outputs_collections=None, scope=None):
  with ops.name_scope(scope, 'Flatten', [inputs]) as sc:
    inputs = ops.convert_to_tensor(inputs)
    outputs = core_layers.flatten(inputs)
    return utils.collect_named_outputs(outputs_collections, sc, outputs)

参数：

• inputs:一个大小张量[batch_size，…]
• outputs_collections:用于添加输出的集合
• scope:name_scope的可选作用域

返回值：

• 一个具有形状[batch_size, k]的平坦张量。

可能产生的异常：

• ValueError: If inputs rank is unknown or less than 2.

slim.max_pool2d()

def max_pool2d(inputs,
               kernel_size,
               stride=2,
               padding='VALID',
               data_format=DATA_FORMAT_NHWC,
               outputs_collections=None,
               scope=None):
  if data_format not in (DATA_FORMAT_NCHW, DATA_FORMAT_NHWC):
    raise ValueError('data_format has to be either NCHW or NHWC.')
  with ops.name_scope(scope, 'MaxPool2D', [inputs]) as sc:
    inputs = ops.convert_to_tensor(inputs)
    df = ('channels_first'
          if data_format and data_format.startswith('NC') else 'channels_last')
    layer = pooling_layers.MaxPooling2D(
        pool_size=kernel_size,
        strides=stride,
        padding=padding,
        data_format=df,
        _scope=sc)
    outputs = layer.apply(inputs)
    return utils.collect_named_outputs(outputs_collections, sc, outputs)

添加了一个2D最大池化操作，它假设池化是按每张图像完成的，但不是按批处理或通道完成的。

参数：

• inputs:一个形状' [batch_size, height, width, channels] '的4-D张量，如果' data_format '是' NHWC '，那么' [batch_size, channels, height, width] '如果' data_format '是' NCHW '
• kernel_size:计算op的池内核的长度2:[kernel_height, kernel_width]的列表。如果两个值相同，则可以是int
• stride:一个长度为2的列表:[stride_height, stride_width]。如果两个步骤相同，则可以是int。注意，目前这两个步骤必须具有相同的值
• padding:填充方法，要么“有效”，要么“相同”
• data_format:一个字符串。支持' NHWC '(默认值)和' NCHW '
• outputs_collections:将输出添加到其中的集合
• scope:name_scope的可选作用域

返回值：

• 表示池操作结果的“张量”

可能产生的异常：

• ValueError: If `data_format` is neither `NHWC` nor `NCHW`.
• ValueError: If 'kernel_size' is not a 2-D list