【TensorFlow】如何理解tensorflow.contrib.slim函数？

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：

import tensorflow as tf

import tensorflow.contrib.slim as slim

常用函数

slim.conv2d

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：

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：

padding : 补零的方式，例如'SAME'activation_fn : 激活函数，默认是nn.relunormalizer_fn : 正则化函数，默认为None，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

slim.max_pool2d

 这个函数更简单了，用法如下：

net = slim.max_pool2d(net, [2, 2], scope='pool1')

slim.fully_connected

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

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。

slim.variable 

 在原生的Tensorflow中，创建Variable需要一个预定义的值或者一种初始化机制（比如从一个高斯分布中随机采样）。此外，如果一个变量需要在一个特定的设备上（如GPU）创建，那么必须被明确说明。为了减少变量创建所需的代码，TF-Slim提供了一些封装函数（定义在 variables.py 中），可以使得用户定义变量变得简单。

 举个例子，定义一个权重（weight）变量，使用一个截断的正态分布来初始化，使用l2 loss正则化，并将该变量放置在CPU中，我们只需要声明如下：

weights = slim.variable('weights',

                                    shape=[10, 10, 3 , 3],

                                    initializer=tf.truncated_normal_initializer(stddev=0.1),

                                    regularizer=slim.l2_regularizer(0.05),

                                    device='/CPU:0')

参考：

https://blog.csdn.net/cyiano/article/details/75006883