问题标签 [tf-slim]

使用 Tensorflow（特别是 tf.contrib.slim），我们需要校准一些参数以在 tensorboard 上生成我们想要的图形。

保存摘要间隔对我们来说更清楚它的作用。它以提供的间隔保存图表中特定点的值（或它们的平均值？）。

现在为什么在训练过程中需要保存模型本身的检查点？模型会改变吗？..不确定这是如何工作的

我有一个有效的 TF 安装，而且 slim 也可以正常工作。

但是，当我尝试运行一个苗条的训练循环时，我的应用程序崩溃了。

最小代码：

当我运行它时，我得到：

相反，当train_op被称为“手动”时，相同的模型将进行训练：

有谁知道从哪里开始调试？

谢谢你，菲利普

根据Tensorflow: Multi-GPU single input queue，让多个 GPU 共享一个队列可能会更好。该链接建议我们可以增加批量大小，然后自己拆分批次。但是，当输入数据是可变长度序列时，增加批量大小可能会导致许多零填充值。

例如，如果我们创建一个 4 序列批次并拆分批次，它可能是

/gpu:0

• x, x, x, 0, 0, 0, 0, 0, 0
• x, x, x, x, x, x, x, x, x

/gpu:1

• x, x, 0, 0, 0, 0, 0, 0, 0
• x, x, x, x, x, 0, 0, 0, 0

我的问题是：如何生产批次，例如：

/gpu:0

• x, x, x, 0, 0, 0, 0, 0, 0
• x, x, x, x, x, x, x, x, x

/gpu:1

• x, x, 0, 0, 0
• x, x, x, x, x

在slim之后，我尝试使用 atf.train.batch(data, batch_size=2, dynamic_pad=True)创建批处理，将批处理放入 a tf.PaddingFIFOQueue，然后调用tf.PaddingFIFOQueue.dequeue()不同的 GPU。但是，似乎所有 GPU 在最新的 tensorflow（master）上都获得了相同的数据。

以下代码演示了该问题：

在最新的 tensorflow 上，输出为 [0, 0]

在较旧的 tensorflow (0.11) 上，输出是 [1, 0] ，这就是我想要的。

看起来很苗条还可以使用最新的 tensorflow 在所有 GPU 上获取相同的数据。

有没有更好的方法在多个 GPU 之间共享包含可变长度序列的队列？

在 tf.slim 中，我想创建一个带有 dropout 的全连接层堆栈。

对于文档中的示例： slim.stack(x, slim.fully_connected, [32, 64, 128], scope='fc')，我想添加辍学。

是否可以使用 slim.stack 或者我必须回到详细的方法？

我正在研究图像标记和注释问题，只是一个图像可能包含多个对象。我想训练 inception-v4 进行多标签分类。我的训练数据将是一个图像，一个长度等于类数的向量，如果图像中存在对象，则每个索引中都有 1。例如，如果我有四个类（人、汽车、树、建筑物）。如果图像包含人和汽车。那么我的向量将是 (1, 1, 0, 0)。

我需要进行哪些更改来训练 inception-v4 的标记和注释问题？

我只需要在inception-v4架构中更改输入格式并将损失函数从softmax更改为sigmoid_cross_entropy_with_logits吗？

https://github.com/tensorflow/models/blob/master/slim/nets/inception_v4.py

先感谢您。

Tensorflow slim 库为 alexnet 提供了图形结构，但它似乎没有提供预训练的（在 Imagenet 上）alexnet 检查点（https://github.com/tensorflow/models/tree/master/research/slim） . 有没有为 TF-slim 提供预训练的 alexnet 检查点？

我正在使用 inception v1 架构进行迁移学习。我已经从下面的 github 存储库中下载了检查点文件、网络、预处理文件

https://github.com/tensorflow/models/tree/master/slim

我有 3700 张图像，并从图中为每个图像汇集了最后一个池化层过滤器，并将其附加到列表中。随着每次迭代，内存使用量都在增加，最终在大约 2000 个图像处终止运行。你能告诉我我犯了什么错误吗？

https://github.com/Prakashvanapalli/TensorFlow/blob/master/Transfer_Learning/inception_v1_finallayer.py

即使我删除了附加列表并只是尝试打印结果。这仍在发生。我想错误在于调用图表的方式。当我看到我的 ram 使用情况时，每次迭代都会变得很重，我不知道为什么会这样，因为我没有保存任何东西，第一次迭代之间也没有区别

从我的角度来看，我只是发送一张图像并获取输出并保存它们。因此，无论我发送多少张图片，它都应该有效。

我在 GPU (6GB) 和 CPU (32GB) 上都试过了。

TF-slim inceptionv3 从零开始训练

我使用 slim/train_image_classifier.py 在我自己的数据集上训练 inception_v3 模型： python train_image_classifier.py --train_dir=${TRAIN_DIR} --dataset_name=mydataset --dataset_split_name=train --dataset_dir=${DATASET_DIR} --model_name =inception_v3 --num_clones=2

如图所示，损失曲线很奇怪，它是一条线性下降的直线，带有一点凹凸部分。

以下是最后的输出，每 20 或 30 步损失减少 0.0001：</p>

mydataset.py 与flowers.py 相同，除了：

正常吗？谢谢你的帮助。

我正在尝试使用 tf.slim.conv2d 函数应用 2 个卷积层，它们基本上每次都会将我的输入图像的大小减少一半。然后我想应用convolution2d_transpose来恢复我的原始图像形状。问题是我并不完全知道如何使用转置卷积函数，文档也没有太大帮助。

我正在使用自定义包装器，但这是我目前所拥有的：

我现在如何应用卷积转置函数来反转这两层的效果？

我想使用 tf.slim 的卷积转置函数，似乎无论我如何选择我的内核大小和步幅，我都无法使卷积转置层的输出大于初始卷积层的输出。我在这里错过了什么吗？