『TensorFlow』专题汇总

#集合转换为字典，{节点名：输出张量值}

end_points = slim.utils.convert_collection_to_dict(end_points_collection)

# 收集 & 获取 变量

tf.add_to_collection("loss",mse_loss)

tf.add_n(tf.get_collection("loss"))

损失函数

L2正则化损失

『TensorFlow』交叉熵API介绍

『TensorFlow』网络操作API_中：损失函数以及分类器

模型载入

『TensorFlow』模型载入方法汇总

命令行解析

『Argparse』命令行解析

『TensorFlow』命令行参数解析

线程操作&数据读取

Dataset API读取数据

『TensorFlow』数据读取类_data.Dataset

传统数据读取方法

『TensorFlow』从磁盘读取数据

十图详解TensorFlow数据读取机制

『TensorFlow』读书笔记_TFRecord学习

『TensorFlow』TFR数据预处理探究以及框架搭建：基于queue处理TFR数据

『TensorFlow』线程控制器类&变量作用域

常规图片数据读取方式：

涉及队列操作时报错可能解决办法

因为局部变量（local variables）没有初始化，将初始化变量语句改为

不再报错。局部变量很少，一般都是系统自己创建的变量，如记录训练进度的epoch。

可视化相关

『TensorFlow』第三弹_可视化框架介绍_悄悄问圣僧

『TensorFlow』第三弹_可视化程序实战_女儿美不美

ctrl + 鼠标滑轮可以放大&缩小tensorboard中所有的页面

命名空间设置好：添加记录节点 -> 汇总记录节点 -> run汇总节点 -> [书写器生成]书写入文件 [-> 刷新缓冲区]

# 书写器生成，会自动记录指定图

tf.summary.FileWriter('./', sess.graph)

# 张量记录

tf.summary.histogram(layer_name+'/weights',Weights)

# 标量记录

tf.summary.scalar = ('loss',cross_entropy)

# 记录激活

merged = tf.summary.merge_all()

# 书写器生成

train_writer = tf.summary.FileWriter('logs/train',sess.graph)

 # run记录

train_result = sess.run(merged, feed_dict={xs: X_train, ys: y_train, keep_prob:1})

# 书写记录

train_writer.add_summary(train_result,i)

# 刷新缓冲区，立即写入文件

train_writer.flush()

slim模块

slim源码

『TensorFlow』slim高级模块

二、TensorFlow的tips

节点和张量

节点张量铺设好了之后，只要不加sess.run()，可以运行脚本检查张量节点是否匹配，无需传入实际数据流。

'conv1'指节点，'conv1:0'指节点输出的第一个张量。

sess上下文环境中的函数调用即使不传入sess句柄，函数体内也存在于默认的sess环境中，可以直接sess.run()。

image_holder = tf.placeholder(tf.float32,[None, None, None, 3])，使用None回避指定大小。

sess实际运行单机模式时，会提取目标节点的所有前置依赖构建成子图，然后按照设备划分成多个局部图，局部图根据依赖先后关系对节点进行加载

设备指定使用tf.device('/cpu:0')上下文操作，且支持嵌套，逻辑于slim的scope一致

查看信息版本安装路径

import tensorflow as tf

tf.__version__  # 版本

tf.__path_      # 路径

# __看着是一个下划线，实际上是两个下划线

通常张量的Feed

『TensotFlow』基础RNN网络回归问题

TensorFlow中所有张量而不仅是占位符都是可以feed的，如果有feed，其优先级大于图中的计算流程。

low』