python神经网络slim常用函数训练保存模型

学习前言

在SSD的框架中，除去tfrecord处理是非常重要的一环之外，slim框架的使用也是非常重要的一环，于是我开始学习slim啦

slim是什么

slim的英文本意是苗条的意思，其实在tensorflow中，它相当于就是tensorflow简洁版的意思，直接使用tensorflow构建代码可能会比较复杂，使用slim可以将一些tensorflow代码合并在一起，其具体作用与keras类似。

但是相比Keras，slim更加贴近tensorflow原生，其更加轻量级。

TF-Slim是tensorflow中定义、训练和评估复杂模型的轻量级库。tf-slim中的组件可以轻易地和原生tensorflow框架以及例如tf.contrib.learn这样的框架进行整合。

slim常用函数

1、slim = tf.contrib.slim

slim = tf.contrib.slim用于在python中声明slim框架的对象，只有完成该声明后才可以利用slim框架构建tensorflow神经网络。

2、slim.create_global_step

该函数用于生成全局步数，全局步数可以用于学习率的自适应衰减。

3、slim.dataset.Dataset

该函数用于从tfrecords类型的文件中获取数据，实际上是利用该数据生成了一个数据库，在slim之后训练时可以从中获取数据用于训练。常见的Dataset使用方式如下：

slim.dataset.Dataset(
       data_sources=record_path,
       reader=reader,
       decoder=decoder,
       num_samples=num_samples,
       num_classes=num_classes,
       items_to_descriptions=items_to_descriptions,
       labels_to_names=labels_to_names)

其中：

• file_pattern指向tfrecords文件的位置；

• reader默认是tf.TFRecordReader，也就是tensorflow支持的tfrecord读取器；

• decoder指的是如何将tfrecord文件里的内容解码成自己需要的内容；

• num_samples指的是tfrecord文件里一共具有多少个样本；

• items_to_descriptions是解码后每个项目的描述；

• num_classes是值一共有多少个种类

其内部参数具体的设置方式如下，本段代码主要是对神经网络学习tfrecords文件的写入、读取及其内容解析中MNIST数据集进行slim数据库的构建，如果不知道如何构建tfrecord文件的可以看我的上一篇博文。

def get_record_dataset(record_path,
                      reader=None, image_shape=[784],
                      num_samples=55000, num_classes=10):
   if not reader:
       reader = tf.TFRecordReader
   keys_to_features = {
       'image/encoded': tf.FixedLenFeature([784], tf.float32, default_value=tf.zeros([784], dtype=tf.float32)),
       'image/class/label':tf.FixedLenFeature([1], tf.int64,
                                   default_value=tf.zeros([1], dtype=tf.int64))}
   items_to_handlers = {
       'image': slim.tfexample_decoder.Tensor('image/encoded', shape = [784]),
       'label': slim.tfexample_decoder.Tensor('image/class/label', shape=[])}
   decoder = slim.tfexample_decoder.TFExampleDecoder(
       keys_to_features, items_to_handlers)
   labels_to_names = None
   items_to_descriptions = {
       'image': 'An image with shape image_shape.',
       'label': 'A single integer between 0 and 9.'}
   return slim.dataset.Dataset(
       data_sources=record_path,
       reader=reader,
       decoder=decoder,
       num_samples=num_samples,
       num_classes=num_classes,
       items_to_descriptions=items_to_descriptions,
       labels_to_names=labels_to_names)

本段代码分别对image和label进行读取。

其中：

• items_to_handlers指的是数据在tfrecords中的存储方式；

• items_to_handlers指的是数据解码后的格式；

• decoder用于将items_to_handlers与items_to_handlers结合使用；

• items_to_descriptions是解码后每个数据的描述。

4、slim.dataset_data_provider.DatasetDataProvider

上一步的函数构成的是数据库，但是如何从数据库里面读取数据我们还不知道，实际上slim已经给了一个函数作为数据库的接口，利用该函数可以生成provider，顾名思义，provider就是数据库向外界提供数据的接口。

具体使用方式如下：

# 创建provider
provider = slim.dataset_data_provider.DatasetDataProvider(
           dataset,
           num_readers= FLAGS.num_readers,
           common_queue_capacity=20*FLAGS.batch_size,
           common_queue_min=10*FLAGS.batch_size,
           shuffle=True)
# 在提供商处获取image
image, label = provider.get(['image', 'label'])

其中：

• dataset就是数据库；

• num_readers指的是使用的并行读取器的数量；

• common_queue_capacity指的是公共队列的容量；

• common_queue_min指的是公共队列出队后的最小元素个数；

• shuffle指的是读取时是否打乱顺序。

在提供商处获取image后，可以利用tf.train.batch分批次获取训练集。

inputs, labels = tf.train.batch([image, label],
                               batch_size=FLAGS.batch_size,
                               allow_smaller_final_batch=True,
                               num_threads=FLAGS.num_readers,
                               capacity=FLAGS.batch_size*5)

其中：

• batch_size指的是每一个批次训练集的数量；

• allow_smaller_final_batch指的是是否允许存在batch小于batch_size的数据集；

• num_threads指的是用的线程数；

• capacity一个整数，用来设置队列中元素的最大数量。

tf.train.batch具体的使用方法可以参照我的另一篇博文神经网络之批量学习tf.train.batch

此时获得的inputs, labels可以在下一步传入网络了。

5、slim.conv2d

slim.conv2d用于构建卷积层，其具体的代码如下：

slim.conv2d(inputs,
         num_outputs,
         kernel_size,
         stride=1,
         padding='SAME',
         data_format=None,
         rate=1,
         activation_fn=nn.relu,
         normalizer_fn=None,
         normalizer_params=None,
         weights_initializer=initializers.xavier_initializer(),
         weights_regularizer=None,
         biases_initializer=init_ops.zeros_initializer(),
         biases_regularizer=None,
         reuse=None,
         variables_collections=None,
         outputs_collections=None,
         trainable=True,
         scope=None)

其中参数很多，常用的参数解析如下：

• inputs指的是需要做卷积的输入图像；

• num_outputs指的是卷积核的个数，也就输出net的channels数量；

• kernel_size指的是卷积核的维度，用一个列表或元组表示；

• stride指的是卷积时在图像每一维的步长；

• padding使用VALID或者SAME；

• data_format指的是输入的input的格式，NCHW 与 NHWC；

• rate指的是使用空洞卷积的膨胀率；

• activation_fn指的是激活函数的种类，默认的为ReLU函数；

• normalizer_fn指的是正则化函数；

• reuse指的是是否共享层或者和变量；

• trainable指的是卷积层的参数是否可被训练；

• scope指的是共享变量所指的variable_scope。

6、slim.max_pool2d

slim.max_pool2d用于最大池化，具体代码如下：

slim.fully_connected(inputs,
                   num_outputs,
                   activation_fn=nn.relu,
                   normalizer_fn=None,
                   normalizer_params=None,
                   weights_initializer=initializers.xavier_initializer(),
                   weights_regularizer=None,
                   biases_initializer=init_ops.zeros_initializer(),
                   biases_regularizer=None,
                   reuse=None,
                   variables_collections=None,
                   outputs_collections=None,
                   trainable=True,
                   scope=None)

其中：

• inputs指的是指需要做卷积的输入图像；

• kernel_size指的是池化核的维度，用一个列表或元组表示；

• stride指的是池化的步长；

• padding使用VALID或者SAME；

• data_format支持’ NHWC ‘(默认值)和’ NCHW '；

• scope指的是name_scope的可选作用域。

7、slim.fully_connected

slim.fully_connected用于定义全连接层。

具体代码如下：

slim.fully_connected(inputs,
                   num_outputs,
                   activation_fn=nn.relu,
                   normalizer_fn=None,
                   normalizer_params=None,
                   weights_initializer=initializers.xavier_initializer(),
                   weights_regularizer=None,
                   biases_initializer=init_ops.zeros_initializer(),
                   biases_regularizer=None,
                   reuse=None,
                   variables_collections=None,
                   outputs_collections=None,
                   trainable=True,
                   scope=None)

其中：

• inputs指的是指需要全连接的数据；

• num_outputs指的是输出的维度；

• activation_fn指的是激活函数；

• weights_initializer指的是权值初始化方法；

• biases_initializer指的是阈值初始化方法；

• trainable指的是是否可以训练；

• scope指的是name_scope的可选作用域。

8、slim.learning.train

该函数用于将训练托管给slim框架进行，非常好用，具体使用代码如下。

slim.learning.train(
               train_op,
               logdir=FLAGS.train_dir,
               master='',
               is_chief=True,
               number_of_steps = FLAGS.max_number_of_steps,
               log_every_n_steps = FLAGS.log_every_n_steps,
               save_summaries_secs= FLAGS.save_summaries_secs,
               saver=saver,
               save_interval_secs = FLAGS.save_interval_secs,
               session_config=config,
               sync_optimizer=None)

其中：

• train_op为训练对象，可以利用slim.learning.create_train_op构建；

• logdir为模型训练产生日志的地址；

• master指的是tensorflow master的地址；

• is_chief指的是是否在主要副本上运行training；

• number_of_steps指的是训练时最大的梯度更新次数，当global step大于这个值时，停止训练。如果这个值为None，则训练不会停止下来；

• log_every_n_steps指的是多少步在cmd上进行显示；

• save_summaries_secs指的是多久进行一次数据的summaries；

• saver指的是保存模型的方法；

• save_interval_secs指的是多久保存一次模型；

• session_config指的是tf.ConfigProto的一个实例，用于配置Session；

• sync_optimizer指的是tf.train.SyncReplicasOptimizer的一个实例，或者这个实例的一个列表。如果这个参数被更新，则梯度更新操作将同步进行。如果为None，则梯度更新操作将异步进行。

其使用的参数较多，具体配置方式如下，并不复杂：

# 获得损失值
loss = Conv_Net.get_loss(labels=labels,logits = logits)
# 学习率多久衰减一次
decay_steps = int(dataset.num_samples / FLAGS.batch_size *
               FLAGS.num_epochs_per_decay)
# 学习率指数下降
learning_rate = tf.train.exponential_decay(FLAGS.learning_rate,
                                   global_step,
                                   decay_steps,
                                   FLAGS.learning_rate_decay_factor,
                                   staircase=False,
                                   name='exponential_decay_learning_rate')
# 优化器
optimizer = tf.train.AdamOptimizer(learning_rate)
# 构建训练对象
train_op = slim.learning.create_train_op(loss, optimizer,
                                       summarize_gradients=False)
# gpu使用比率
gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=FLAGS.gpu_memory_fraction,
               allow_growth = True)
# 参数配置
config = tf.ConfigProto(allow_soft_placement=True,
                       log_device_placement=False,
                       gpu_options=gpu_options)    
# 保存方式
saver = tf.train.Saver(max_to_keep=5,
                   keep_checkpoint_every_n_hours=1.0,
                   write_version=2,
                   pad_step_number=False)

本次博文实现的目标

本次博文主要是利用slim构建了一个卷积神经网络，用于手写体的识别，经过20000次训练后，精度达到99.2％。

具体的代码可以点击下载

已经存储好的tfrecords也可以点击下载

整体框架构建思路

1、整体框架

整个思路的构建如下图所示：

其中：

• Net.py是网络的主体；

• CNN.py进行模型训练的主体；

• Load_Predict.py是如何用模型进行预测（下一个博文讲解）；

• TFrecord_read和TF_record_write主要是用于tfrecord文件的生成。

2、网络构建Net.py

网络构建部分的函数比较简单，主要是设计了一个对象用于读取网络结构，网络结构比较简单，其shape变化如下：

(28,28,1)=>(28,28,32)=>(14,14,32)=>(14,14,64)=>(7,7,64)=>(3136)=>(1024)=>(10)

import tensorflow as tf
import numpy as np
# 创建slim对象
slim = tf.contrib.slim
class Conv_Net(object):
   def net(self,inputs):
       with tf.variable_scope("Net"):
           # 第一个卷积层
           net = slim.conv2d(inputs,32,[5,5],padding = "SAME",scope = 'conv1_1')
           net = slim.max_pool2d(net,[2,2],stride = 2,padding = "SAME",scope = 'pool1')
           # 第二个卷积层
           net = slim.conv2d(net,64,[3,3],padding = "SAME",scope = 'conv2_1')
           net = slim.max_pool2d(net,[2,2],stride = 2,padding = "SAME",scope = 'pool2')
           net = tf.reshape(net,[-1,7*7*64])
           # 全连接层
           layer1 = slim.fully_connected(net,512,scope = 'fully1')
           layer1 = slim.dropout(layer1, 0.5, scope='dropout1')
           # 这里的layer3忘了改成layer2了，试了很多结构，这个比较好
           layer3 = slim.fully_connected(layer1,10,activation_fn=tf.nn.softmax,scope = 'fully3')
           return layer3
   def get_loss(self,labels,logits):
       with tf.variable_scope("loss"):
           loss = tf.reduce_mean(tf.nn.sparse_softmax_cross_entropy_with_logits(labels=labels,logits = logits),name = 'loss')
           tf.summary.scalar("loss",loss)
       return loss

3、进行模型训练CNN.py

进行模型训练CNN.py中的训练过程主要是模仿SSD的训练过程的框架构成的，如果大家对SSD有疑问，欢迎大家看我的博文SSD算法训练部分详解。

其具体的训练如下：

1、设定训练参数。

2、读取MNIST数据集。

3、建立卷积神经网络。

4、将数据集的image通过神经网络，获得prediction。

5、利用prediction和实际label获得loss。

6、利用优化器完成梯度下降并保存模型。

具体代码如下，其中所有执行步骤已经利用如下格式隔开：

#############################################################
#   XXXXXXXXXXXXX
#############################################################

import tensorflow as tf
import numpy as np
from nets import Net
flags = tf.app.flags
#############################################################
#   设置训练参数
#############################################################
# =========================================================================== #
# General Flags.
# =========================================================================== #
# train_dir用于保存训练后的模型和日志
tf.app.flags.DEFINE_string(
   'train_dir', './logs',
   'Directory where checkpoints and event logs are written to.')
# num_readers是在对数据集进行读取时所用的平行读取器个数
tf.app.flags.DEFINE_integer(
   'num_readers', 4,
   'The number of parallel readers that read data from the dataset.')
# 在进行训练batch的构建时，所用的线程数
tf.app.flags.DEFINE_integer(
   'num_preprocessing_threads', 4,
   'The number of threads used to create the batches.')
# 每十步进行一次log输出，在窗口上
tf.app.flags.DEFINE_integer(
   'log_every_n_steps', 100,
   'The frequency with which logs are print.')
# 每150秒存储一次记录
tf.app.flags.DEFINE_integer(
   'save_summaries_secs', 150,
   'The frequency with which summaries are saved, in seconds.')
# 每150秒存储一次模型
tf.app.flags.DEFINE_integer(
   'save_interval_secs', 150,
   'The frequency with which the model is saved, in seconds.')
# 可以使用的gpu内存数量
tf.app.flags.DEFINE_float(
   'gpu_memory_fraction', 0.6, 'GPU memory fraction to use.')
# =========================================================================== #
# Learning Rate Flags.
# =========================================================================== #
# 学习率衰减的方式，有固定、指数衰减等
tf.app.flags.DEFINE_string(
   'learning_rate_decay_type',
   'exponential',
   'Specifies how the learning rate is decayed. One of "fixed", "exponential",'
   ' or "polynomial"')
# 初始学习率
tf.app.flags.DEFINE_float('learning_rate', 0.001, 'Initial learning rate.')
# 结束时的学习率
tf.app.flags.DEFINE_float(
   'end_learning_rate', 0.0001,
   'The minimal end learning rate used by a polynomial decay learning rate.')
tf.app.flags.DEFINE_float(
   'label_smoothing', 0.0, 'The amount of label smoothing.')
# 学习率衰减因素
tf.app.flags.DEFINE_float(
   'learning_rate_decay_factor', 0.94, 'Learning rate decay factor.')
tf.app.flags.DEFINE_float(
   'num_epochs_per_decay', 2.0,
   'Number of epochs after which learning rate decays.')
tf.app.flags.DEFINE_float(
   'moving_average_decay', None,
   'The decay to use for the moving average.'
   'If left as None, then moving averages are not used.')
# adam参数
tf.app.flags.DEFINE_float(
   'adam_beta1', 0.9,
   'The exponential decay rate for the 1st moment estimates.')
tf.app.flags.DEFINE_float(
   'adam_beta2', 0.999,
   'The exponential decay rate for the 2nd moment estimates.')
tf.app.flags.DEFINE_float('opt_epsilon', 1.0, 'Epsilon term for the optimizer.')
# =========================================================================== #
# Dataset Flags.
# =========================================================================== #
# 数据集目录
tf.app.flags.DEFINE_string(
   'dataset_dir', './record/output.tfrecords', 'The directory where the dataset files are stored.')
# 每一次训练batch的大小
tf.app.flags.DEFINE_integer(
   'batch_size', 100, 'The number of samples in each batch.')
# 最大训练次数
tf.app.flags.DEFINE_integer('max_number_of_steps', 20000,
                           'The maximum number of training steps.')
FLAGS = flags.FLAGS
def get_record_dataset(record_path,
                      reader=None, image_shape=[784],
                      num_samples=55000, num_classes=10):
   if not reader:
       reader = tf.TFRecordReader
   keys_to_features = {
       'image/encoded': tf.FixedLenFeature([784], tf.float32, default_value=tf.zeros([784], dtype=tf.float32)),
       'image/class/label':tf.FixedLenFeature([1], tf.int64,
                                   default_value=tf.zeros([1], dtype=tf.int64))}
   items_to_handlers = {
       'image': slim.tfexample_decoder.Tensor('image/encoded', shape = [784]),
       'label': slim.tfexample_decoder.Tensor('image/class/label', shape=[])}
   decoder = slim.tfexample_decoder.TFExampleDecoder(
       keys_to_features, items_to_handlers)
   labels_to_names = None
   items_to_descriptions = {
       'image': 'An image with shape image_shape.',
       'label': 'A single integer between 0 and 9.'}
   return slim.dataset.Dataset(
       data_sources=record_path,
       reader=reader,
       decoder=decoder,
       num_samples=num_samples,
       num_classes=num_classes,
       items_to_descriptions=items_to_descriptions,
       labels_to_names=labels_to_names)
if __name__ == "__main__":
   # 打印日志
   tf.logging.set_verbosity(tf.logging.DEBUG)
   with tf.Graph().as_default():
       # 最大世代
       MAX_EPOCH = 50000
       # 创建slim对象
       slim = tf.contrib.slim
       # 步数
       global_step = slim.create_global_step()
       #############################################################
       #   读取MNIST数据集
       #############################################################
       # 读取数据集
       dataset = get_record_dataset(FLAGS.dataset_dir,num_samples = 55000)
       # 创建provider
       provider = slim.dataset_data_provider.DatasetDataProvider(
                   dataset,
                   num_readers= FLAGS.num_readers,
                   common_queue_capacity=20*FLAGS.batch_size,
                   common_queue_min=10*FLAGS.batch_size,
                   shuffle=True)
       # 在提供商处获取image
       image, label = provider.get(['image', 'label'])
       # 每次提取100个手写体
       inputs, labels = tf.train.batch([image, label],
                                       batch_size=FLAGS.batch_size,
                                       allow_smaller_final_batch=True,
                                       num_threads=FLAGS.num_readers,
                                       capacity=FLAGS.batch_size*5)
       #############################################################
       #建立卷积神经网络，并将数据集的image通过神经网络，获得prediction。
       #############################################################
       inputs = tf.cast(inputs,tf.float32)
       inputs_reshape = tf.reshape(inputs,[-1,28,28,1])
       Conv_Net = Net.Conv_Net()
       logits = Conv_Net.net(inputs_reshape)
       #############################################################
       #   利用prediction和实际label获得loss。
       #############################################################
       # 获得损失值
       loss = Conv_Net.get_loss(labels = labels,logits = logits)
       decay_steps = int(dataset.num_samples / FLAGS.batch_size *
                     FLAGS.num_epochs_per_decay)
       # 学习率指数下降
       learning_rate = tf.train.exponential_decay(FLAGS.learning_rate,
                                         global_step,
                                         decay_steps,
                                         FLAGS.learning_rate_decay_factor,
                                         staircase=False,
                                         name='exponential_decay_learning_rate')
       #############################################################
       #   利用优化器完成梯度下降并保存模型。
       #############################################################
       # 优化器
       optimizer = tf.train.AdamOptimizer(learning_rate)
       # 构建训练对象
       train_op = slim.learning.create_train_op(loss, optimizer,
                                               summarize_gradients=False)
       # gpu使用比率
       gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=FLAGS.gpu_memory_fraction,
                       allow_growth = True)
       # 参数配置
       config = tf.ConfigProto(allow_soft_placement=True,
                               log_device_placement=False,
                               gpu_options=gpu_options)    
       # 保存方式
       saver = tf.train.Saver(max_to_keep=5,
                           keep_checkpoint_every_n_hours=1.0,
                           write_version=2,
                           pad_step_number=False)
       # 托管训练
       slim.learning.train(
               train_op,
               logdir=FLAGS.train_dir,
               master='',
               is_chief=True,
               number_of_steps = FLAGS.max_number_of_steps,
               log_every_n_steps = FLAGS.log_every_n_steps,
               save_summaries_secs= FLAGS.save_summaries_secs,
               saver=saver,
               save_interval_secs = FLAGS.save_interval_secs,
               session_config=config,
               sync_optimizer=None)

4、训练结果

在完成数据集的构建后，直接运行CNN.py就可以开始训练。训练的graph如下：

Net的内容为（这里的layer3忘了改成layer2了，试了很多结构，这个比较好）：

输出的logs为：

……
INFO:tensorflow:global step 17899: loss = 1.4701 (0.040 sec/step)
INFO:tensorflow:global step 17999: loss = 1.4612 (0.040 sec/step)
INFO:tensorflow:global step 18099: loss = 1.4612 (0.051 sec/step)
INFO:tensorflow:global step 18199: loss = 1.4612 (0.040 sec/step)
INFO:tensorflow:global step 18299: loss = 1.4668 (0.048 sec/step)
INFO:tensorflow:global step 18399: loss = 1.4615 (0.039 sec/step)
INFO:tensorflow:global step 18499: loss = 1.4612 (0.050 sec/step)
INFO:tensorflow:global step 18599: loss = 1.4812 (0.050 sec/step)
INFO:tensorflow:global step 18699: loss = 1.4612 (0.060 sec/step)
INFO:tensorflow:global step 18799: loss = 1.4712 (0.050 sec/step)
INFO:tensorflow:global step 18899: loss = 1.4712 (0.040 sec/step)
INFO:tensorflow:global step 18999: loss = 1.4716 (0.040 sec/step)
INFO:tensorflow:global step 19199: loss = 1.4613 (0.040 sec/step)
INFO:tensorflow:global step 19299: loss = 1.4619 (0.040 sec/step)
INFO:tensorflow:global step 19399: loss = 1.4732 (0.040 sec/step)
INFO:tensorflow:global step 19499: loss = 1.4612 (0.050 sec/step)
INFO:tensorflow:global step 19599: loss = 1.4614 (0.040 sec/step)
INFO:tensorflow:global step 19699: loss = 1.4612 (0.040 sec/step)
INFO:tensorflow:global step 19799: loss = 1.4612 (0.040 sec/step)
INFO:tensorflow:global step 19899: loss = 1.4612 (0.040 sec/step)
INFO:tensorflow:global step 19999: loss = 1.4612 (0.040 sec/step)
INFO:tensorflow:Stopping Training.
INFO:tensorflow:Finished training! Saving model to disk.

来源：https://blog.csdn.net/weixin_44791964/article/details/102571830