这篇文章是针对有tensorflow基础但是记不住复杂变量函数的读者，文章列举了从输入变量到前向传播，反向优化，数据增强保存，GPU并行计算等常用的指令，希望通过这一篇来完成整体网络的参考实现。

最后建议写一个模板化的训练流程，以后改网络就可以只修改其中一小部分。-horsetif

1，输入端：

get_variable 和 Variable

#初始化 1，get_variable,必须指定变量名称参数

tf.get_variable(name,shape=[1],initializer=xxx)

#初始化 2，Variable，不必要指定变量名称参数

tf.Variable(tf.xxx(a,shape=[]),name)

tf.Variable(0,dtype=tf.float32,name)

#变量后缀

constant,random_normal,truncated_normal,random_uniform,zeros,ones.

命名空间

##############定义命名空间#####################这样对调试很有用

with tf.variable_scope('foo'):

    a=tf.get_variable('bar',[1])#受到命名空间影响

with tf.name_scope('a'):

    a=tf.Variable([1])#受到命名空间影响

    b=tf.get_variable('b',[1])#不受命名空间影响

计算图

#graph###############################################

#不同的计算图上的张量和运算都不会共享

g1=tf.Graph()

with g1.as_default():

    v=tf.get_variable('v',...)

with tf.Session(graph=g1) as sess:

    with tf.variable_scope('',reuse=Ture):

        sess.run(tf.get_variable('v'))

张量使用

#张量的使用

a=tf.constant([1.0,2.0],name='a')

session

会话session########################################

1，sess=tf.Session()  sess.run()  sess.close()

2,with tf.Session() as sess:

3,sess=tf.Session()

with sess.as_default():

    print(result.eval())

完全等同于：result.eval(session=sess)

4,sess=tf.InteractiveSession()

result.eval()

sess.close()

config

#################################config##################

config=tf.ConfigProto(allow_soft_placement=True,log_device_placement=True)

Variable初始化赋值

w2=tf.Variable(weight.initialized_value()) 这里的值是完全相同的

trainable,shape,name,type

tf.assign(w1,w2,validate_shape=False)

tf.assign(v1,10)

placeholder  输入端动态赋值

placeholder(tf.float32,shape=(1,2),name='input')

  2，前向传播端：

tf.add_to_collection('losses',regularizer(weights))

with tf.variable_scope('layer1'):

2)卷积:

filter_weight=tf.get_variable('weights',[5,5,32,16],initializer=tf.truncated_normal_initializer(stddev=0.1))

[卷积核大小，输入大小，输出大小]

bias=tf.get_variable('bias',[16j],tf.constant_initializer(0.1))

conv=tf.nn.conv2d(input,filter_weight,strides=[1,1,1,1],padding='SAME'/'VALID')

strides:步长的第一和第四都要为1。

bias=tf.nn.bias_add(conv,bias)

actived_conv=tf.nn.relu(bias)

#############池化############################

pool=tf.nn.max_pool(actived_conv,ksize=[1,3,3,1],strides=[1,2,2,1],padding='SAME')

ksize--过滤器尺寸，1和4维度必须为1.strides--步长，1和4维度必须为1.

#############pooling 层 转全连接层#########################

pool_shape=pool2.get_shape().as_list()

nodes=pool_shape[1]*pool_shape[2]*pool_shape[3]

reshaped=tf.reshape(pool2,[pool_shape[0],nodes])

###############tensorflow-slim工具#########################

net=slim.conv2d(input,32,[3,3],scope='..')      #深度，核数

#######################链接不同卷积###########################

net=tf.concat(3,[a,b,c,..e]) 这里的三指的是第三维度,

#############################drop out 层########################

hidden1_drop=tf.nn.dropout(hidden1,keep_prob)

3，反向传播端

#正则化

tf.contrib.layers.l1_regularizer(.5)(weights)

利用tf.add_to_collection('loss',...) tf.get_collection('loss')

#学习率衰减

decayed_learning_rate=learning_rate*decay_rate^(global_step/decay_steps)

learning_rate=tf.train.exponential_decay(basic_learning_rate,global_step,training_step,learning_rate_decay,staircase=True)

training_step:过完所有训练所需要的训练次数

#滑动平均模型

ema=tf.train.ExponentialMovingAverage(0.99,step)#定义好模型

maintain_average_op=ema.apply([v1])#注册输入variables_averages_op=ema.apply(tfe.trainable_variables())

sess.run(maintain_average_op)#开始优化

sess.run([v1,ema.average(v1)])#查看输出

#计算结果loss

tf.nn.sparse_softmax_cross_entropy_with_logits(y,tf.argmax(y_1,1))

cross_entropy_mean=tf.reduce_mean(cross_entropy)

loss=cross_entropy_mean+tf.add_n(tf.get_collection('loss'))

loss=-tf.reduce_mean(y_*tf.log(tf.clip_by_value(y,1e-10,1.0)))

mse=tf.reduce_mean(tf.square(y_-y))

tf.select(tf.greater(v1,v2),v1,v2)

#反向传播优化函数

train_step=tf.train.AdamOptimizer(learning_rate).minimize(loss,global_step=global_step)

有时候使用GradientDescentOptimizer反而好一些

#优化函数和滑动平均同时进行

with tf.control_dependencies([train_step,variables_averages_op]):

            train_op=tf.no_op(name='train')

or: train_op=tf.group(train_step,variables_average_op)

#dropout 一般只在全连接层而不是卷积层

fc1=tf.nn.dropout(fc1,0.5)

4，输出端：

save and restore

saver=tf.train.Saver()

saver.save(sess,'path/model.ckpt',global_step=global_step)

#checkpoint 文件列表

#model.ckpt.data 变量取值

#model.ckpt.meta 计算图结构

saver.restore(sess,'./model/model.ckpt')

#这里初始定义以及其他所有的操作都是需要的，唯一不需要的就是初始化的操作，因为初始化操作我们是在restore中读取的。经过测试，必须要在同一个sess中使用。

#如果我们不希望重复定义图上的运算，我们可以直接加载已经持久化的图。

saver=tf.train.import_meta_graph('./model/model.ckpt.meta')

with tf.Session() as sess:

        saver.restore(sess,'./model/model.ckpt')        print(sess.run(tf.get_default_graph().get_tensor_by_name('add:0')))

#只读取部分参数

saver=tf.train.Saver([v1]) #这里只会读取v1参数，不会读取其他任何参数

saver2=tf.train.Saver({'v1':v1})#变量重命名

v1=tf.Variable(tf.constant(1,shape=[1]),name='v_other1')

saver2=tf.train.Saver({'v1':v1})

#由于滑动平均模型有隐藏变量，所以我们把这些变量对应映射的到真实变量上

saver=tf.train.Saver(ema.variables_to_restore())

#全部保存

with tf.Session() as sess:

        tf.global_variables_initializer().run()

        graph_def=tf.get_default_graph().as_graph_def()        output_graph_def=graph_util.convert_variables_to_constants(sess,graph_def,['add'])        with tf.gfile.GFile('./model/combined_model.pb','wb') as f:                f.write(output_graph_def.SerializeToString())

#整体读取预测评估：

with tf.Session() as sess:

        with gfile.FastGFile('./model/combined_model.pb','rb') as f:

                graph_def=tf.GraphDef()

              graph_def.ParseFromString(f.read())        result=tf.import_graph_def(graph_def,return_elements=['add:0'])#获取这个计算图的变量     

    print(sess.run(result))

######抽取网络中的一部分值

    or bootleneck_tensor,image_data=tf.import_graph_def(graph_def,return_elements=['a','b'])

    or bottleneck_values=sess.run(bottleneck_tensor,{image_data_tensor:image_data})

5，预测评估端

#预测真确率

correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(y_,1))    accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))

#获取隐含变量

  ema=tf.train.ExponentialMovingAverage(0.99)    variables_to_restore=ema.variables_to_restore()    saver=tf.train.Saver(variables_to_restore)

#利用checkpoint 获取最新值：

ckpt=tf.train.get_checkpoint_state('./model/')

                if ckpt and ckpt.model_checkpoint_path:                                    saver.restore(sess,ckpt.model_checkpoint_path)                            global_step=ckpt.model_checkpoint_path.split('/')[-1].split('-')[-1]                            accuracy_score=sess.run(accuracy,feed_dict=valid_feed)

                            print('after %s iterations,the valid set acc= %g'%(global_step,accuracy_score))      else:

                        print('No checkpoint file found!')    return

#如果出现tensor流复用的情况，会报错。这里我们使用：

with tf.Graph().as_default() as g: 这个方法，每次都能更新新的值。

6，数据集处理及其保存读取

#####################写入TFRecord文件

def _int64_feature(value):

    return tf.train.Feature(int64_list=tf.train.Int64List(value=[value]))

def _bytes_feature(value):

    return tf.train.Feature(bytes_list=tf.train.BytesList(value=[value]))

filename='output.tfrecords'

writer=tf.python_io.TFRecordWriter(filename)

for index in range(num_examples):

        image_raw=images[index].tostring()        example=tf.train.Example(features=tf.train.Features(feature={                'pixels':_int64_feature(pixels),        'label':_int64_feature(np.argmax(labels[index])),                'image_raw':_bytes_feature(image_raw)    }))

        writer.write(example.SerializeToString())

writer.close()

###########################读取TFRecord文件########################

reader=tf.TFRecordReader()filename_queue=tf.train.string_input_producer(['output.tfrecords'])#创建队列维护文件列表

_,serialized_example=reader.read(filename_queue)

features=tf.parse_single_example(    serialized_example,    features={                'image_raw':tf.FixedLenFeature([],tf.string),

                'pixels':tf.FixedLenFeature([],tf.int64),

                'label':tf.FixedLenFeature([],tf.int64),    })

images=tf.decode_raw(features['image_raw'],tf.uint8)labels=tf.cast(features['label'],tf.int32)

pixels=tf.cast(features['pixels'],tf.int32)

sess=tf.Session()

coord=tf.train.Coordinator()#启动多线程

threads=tf.train.start_queue_runners(sess=sess,coord=coord)

for i in range(10):

            image,label,pixel=sess.run([images,labels,pixels])

##########################关于图片的编码和解码#####################

img_data=tf.image.decode_jpeg(image_raw_data)

img_data=tf.image.convert_image_dtype(img_data,dtype=tf.float32)

encoded_image=tf.image.encode_jpeg(img_data)

############################图像读写##############################

with tf.gfile.GFile('./output','wb') as f:

        f.write(encoded_image.eval())

###############调整图像大小########################3

resized=tf.image.resize_images(image_data,[300,300],method=0)

tf.image.resize_iamge_with_crop_or_pad(image_data,1000,3000)

还有其他各种调整这里先不写了

############################关于队列#####################3

队列初始化：q=tf.FIFOQueue(2,'int32') or tf.RandomShuffleQueue(2,'int32')

q.dequeue() q.enqueue([y]) q.enqueue_many(([0,10],))

###########################开启多线程############################

tf.Coordinator()  -->should_stop（查看是否应该停止）,request_stop（要求全部停止）,join（回收线程）

coord=tf.train.Coordinator()

threads=[threading.Thread(target=MyLoop,args=(coord,i)) for i in range(10)]

for t in threads:    t.start()

coord.join(threads)

def MyLoop(coord,work_id):

        while not coord.should_stop():

                            if np.random.rand()<0.05:            print('stopping from id: %d\n'%(work_id))            coord.request_stop()

                            else:            print('working on id: %d\n'%(work_id)

        time.sleep(2)

###################队列版本的多线程服务###############################

qr=tf.train.QueueRunner(queue,[enqueue_op]*5)（定义队列线程以及操作）

tf.train.add_queue_runner(qr) （注册）

coord=tf.train.Coordinator()    threads=tf.train.start_queue_runners(sess=sess,coord=coord)（把队列和多线程链接）

#下面是sess的正常操作

    coord.request_stop()  coord.join(threads)#关闭和回收

##################################文件多线程操作#####################

files=tf.train.match_filenames_once('./data/data.tfrecords-*')#读取文件名

filename_queue=tf.train.string_input_producer(files,shuffle=False)#加入文件队列

#接下来是正常的读取文件套路

tf.local_variables_initializer().run()#这里一定要初始化这个

coord=tf.train.Coordinator()    threads=tf.train.start_queue_runners(sess=sess,coord=coord)#注册为多线程

#开始读取

    coord.request_stop()

    coord.join(threads)

##################################batching ##########################

队列的入队操作是生成单个样本的方法，而每次出队得到的是一个batch的样例。

#前面是正常的文件名读取，加入队列，配置reader队列。

example,label=features['i'],features['j']

example_batch,label_batch=tf.train.batch([example,label],batch_size=batch_size,capacity=capacity)#（batch_size是每一个batch的大小，capacity是队列所能够承载的能力)

###tf.train.shuffle_batch 是打乱排序的，有一个特有的参数，就是 min_after_dequeue，限制出队时最小元素个数

coord=tf.train.Coordinator()    threads=tf.train.start_queue_runners(sess=sess,coord=coord)

cur_example_batch,cur_label_batch=sess.run([example,label])

#接下来是一样的

#############################最终读取注意点##########################

再从TFRecord中读取之后，得到的照片是byte形式的，这里，我们要解析图像还原为原始尺寸照片。

decoded_image=tf.decode_raw(image,tf.uint8)

decoded_image.set_shape([height,width,channels])

7，tensorboard 可视化调试

#tensorboard读取log命令

python /home/horsetif/.local/lib/python3.6/site-packages/nsorboard/main.py --logdir='/home/horsetif/Code/TF_HTF/data/flower_photos/log/'（这里是我自己的地址）

###############保存为日志文件##################################

writer=tf.summary.FileWriter('./log',tf.get_default_graph())

writer.close()

#########################更新节点信息代码############################

if i %1000==0:

        run_options=tf.RunOptions(trace_level=tr.RunOptions.FULL_TRACE)        run_metadata=tf.RunMetadata()

        sess.run(...,run_metadata=run_metadata)        train_writer.add_run_metadata(run_metadata,'step%03d'%i)

#############################监控指标可视化############################

with tf.name_scope('aa'):#先加这个

tf.scalar_summary(name_path,variable)#标量变化

tf.image_summary#输入图象变化

tf.histogram_summary#张量变化，如weight

merged=tf.merge_all_summaries()

summary_writer=tf.train.SummaryWriter(SUMMARY_DIR,sess.graph)

summary=sess.run(merged,feed_dict={})

summary_writer.add_summary(summary,i),

8，GPU加速

#如果没有明确地指定运行路径，tensorflow会优先选择GPU。

#改变GPU位置

with device('/gpu:1'):  with device('/cpu:0'):

#如果无法放在GPU上的代码，我们让他们放在cpu上。

sess=tf.Session(config=tf.ConfigProto(allow_soft_placement=True,log_device_placement=True))

#多个GPU并行计算问题，一般使用并行同步模式。所有设备同时读取参数取值，并且反向传播算法完成后同步更新参数的取值。所有设备参数一致，完成反向传播后，计算出不同设备上参数梯度的平均值，最后再根据平均值对参数进行更新。

#主要是利用不同的scope空间来划分区域，然后求和再取平均。

with tf.device('/gpu:%d' %d):

    with tf.name_scope('GPU %d'%i) as scope:

tf.get_collection('losses',scope)