本文共 3290 字,大约阅读时间需要 10 分钟。
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 |
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 |
这个函数更简单了,用法如下:
1 | net = slim.max_pool2d(net, [ 2 , 2 ], scope= 'pool1' ) |
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()): ...... |
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。
转载地址:http://uukmi.baihongyu.com/