深入浅出TensorFlowTensorFlow高层封装.DOCVIP

深入浅出TensorFlow（六）TensorFlow高层封装 HYPERLINK   深入浅出TensorFlow（六）TensorFlow高层封装 在后面的几篇文章已经先容了如何运用原生态TensorFlowAPI来实现各种不同的神经网络结构。固然原生态的TensorFlowAPI可以很灵活的支持不同的神经网络结构，但是其代码相对对照冗长，写起来对照麻烦。为了让TensorFlow用起来越发方便，可以运用一些TensorFlow的高层封装。 目前对TensorFlow的主要封装有4个： 第一个是TensorFlow-Slim； 第二个是tf.contrib.learn（之前也被称为skflow）； 第三个是TFLearn； HYPERLINK /a/zhinenhui/pingce/2399.html智能时代的新商业潜力 最后一个是Keras。 本文将大致先容这几种不同的高层封装的运用方法，并经过其中常用的三种方式在MNIST数据集上实现卷积神经网络。 TensorFlow-SlimTensorFlow-Slim是一个相对轻量级的TensorFlow高层封装。经过TensorFlow-Slim，定义网络结构的代码可以得到很大程度的简化，使得整个代码越发可读。下面的代码对比了运用原生态TensorFlow实现卷积层和运用TensorFlow-Slim实现卷积层的代码： # 直接运用TensorFlow原生态API实现卷积层。with tf.variequipped_scope(scope_name): weights = tf.get_variequipped(weight, …) biases = tf.get_variequipped(bias, …) conv = tf.nn.conv2d(…)relu = tf.nn.relu(tf.nn.bias_contribute(conv, biases))# 运用TensorFlow-Slim实现卷积层。经过TensorFlow-Slim可以在一行中实现一个卷积层的# 前向传扬算法。slim.conv2d函数的有3个参数是必填的。第一个参数为输入节点矩阵，第二参数# 是当前卷积层过滤器的深度，第三个参数是过滤器的尺寸。可选的参数有过滤器移动的步长、# 是否运用全0填充、激活函数的选择以及变量的命名空间等。net = slim.conv2d(input, 32, [3, 3])从上面的代码可以看出，运用TensorFlow-Slim可以大幅减少代码量。省去很多与网络结构无关的变量声明的代码。固然TensorFlow-Slim可以起到简化代码的作用，但是在实际应用中，运用TensorFlow-Slim定义网络结构的情景相对较少，由于它既不如原生态TensorFlow的灵活，也不如下面将要先容的其他高层封装简洁。但除了简化定义神经网络结构的代码量，运用TensorFlow-Slim的一个最大好处就是它直接实现了一些典范的卷积神经网络，并且Google提供了这些神经网络在ImageNet上训练好的模型。下表总结了经过TensorFlow-Slim可以直接实现的神经网络模型： HYPERLINK /a/zhinenhui/pingce/1331.html评测 Google提供的训练好的模型可以在github上tensorflow/models/slim目录下找到。在该目录下也提供了迁移学习的案例和代码。 tf.contrib.learntf.contrib.learn是TensorFlow官方提供的另外一个对TensorFlow的高层封装，经过这个封装，用户可以和运用sklearn犹如的方法运用TensorFlow。经过tf.contrib.learn训练模型时，必要运用一个Estimator对象。Estimator对象是tf.contrib.learn实行模型训练（train/fit）和模型评价（evaluation）的进口。 tf.contrib.learn模型提供了一些预定义的Estimator，例如线性回归（tf.contrib.learn.LinearRegressor）、逻辑回归（tf.contrib.learn.LogisticRegressor）、线性分类（tf.contrib.learn.LinearClassifier）以及一些完全由全连绵层构成的深度神经网络回归或者分类模型（tf.contrib.learn.DNNClassifier、tf.contrib.learn.DNNRegressor）。 除了可以运用预先定义好的模型，tf.contrib.learn也支持自定义