tensorflow loss到多少_Tensorflow学习系列1（3月21日）

我胡汉三又回来啦~~

打算写个系列，记录自己学到的东西，以及给出好的阅读链接（均为我个人觉得很有用的）

1、tensorflow的数据读取机制

利用两个队列，文件名队列和内存队列。

文件名队列使用tf.train.string_input_producer，传入文件名list，得到一个文件名队列。

内存队列不需要我们自己建立，使用reader对象从文件名队列中读取数据就可以了。

十图详解TensorFlow数据读取机制（附代码） 图很清晰，讲的也清楚

tensorflow中协调器 tf.train.Coordinator 和入队线程启动器 tf.train.start_queue_runners

2、tf.slice(）

slice（input，begin，size）

input是即将要被切得tensor

begin是每个维度的起始位置

size是每个维度取多少元素

3、tf.pad(input, paddings, name = None)

paddings里面每组[a,b]形式的东西表示，在相应的维度上，前面加a个0（或a行0），后面加b个0（或b行0）

4、Depthwise卷积和Pointwise卷积

Depthwise是每个通道只被一个卷积核卷积，Pointwise是卷积核的尺寸为1*1。

Depthwise卷积和Pointwise卷积

【Tensorflow】tf.nn.depthwise_conv2d如何实现深度卷积?

5、tensorflow的slim模块中的BatchNorm问题

没理解这部分，还需要再学习

#这几行代码看不懂
train_op = slim.learning.create_train_op(total_loss, opt)
update_ops = tf.get_collection(tf.GraphKeys.UPDATE_OPS)
if update_ops:
     updates = tf.group(*update_ops)
     total_loss = control_flow_ops.with_dependencies([updates], total_loss)

tensorflow中的batch_norm以及tf.control_dependencies和tf.GraphKeys.UPDATE_OPS的探究

TF-Batch Normalization的实际用法

tf.control_dependencies

6、tf.summary.merge_all()

将之前定义的所有summary整合在一起，在一个程序中定义的写日志操作比较多，如果一一调用，将会十分麻烦，所以Tensorflow提供了tf.summary.merge_all()函数将所有summary整理在一起。在TensorFlow程序执行的时候，只需要运行这一个操作就可以将代码中定义的所有【写日志操作】执行一次，从而将所有的日志写入【日志文件】。

TensorFlow的汇总类Summary和FileWriter用法

Tensorflow学习笔记——Summary用法

7、tf.ConfigProto()

用在创建session的时候，对session进行参数配置。

tensorflow中使用tf.ConfigProto()配置Session运行参数&&GPU设备指定

8、模型的保存与恢复

模型的保存与恢复（Saver）