- 综合排序
- 最热优先
- 最新优先
- 来自专栏计算机视觉理论及其实现
TensorFlow - TF-Slim 使用总览
TF-Slim 安装与配置和API列表1.1 TF-Slim的安装的配置TensorFlow 安装后，测试 TF-Slim 是否安装成功：python -c "import tensorflow.contrib.slim 那我们自己的网络层变量怎么让TF-Slim管理呢？ 当你通过TF-Slim创建一个损失函数时，TF-Slim会把损失加入到一个特殊的Tensorflow的损失函数集合中。这样你既可以手动管理损失函数，也可以托管给TF-Slim。 如果我们有一个自定义的损失函数，现在也想托管给TF-Slim，该怎么做呢？loss_ops.py也有一个函数可以将这个损失函数加入到TF-Slim集合中。 知晓这个自定义损失函数，然后托管给TF-Slim。
3.2K10编辑于 2022-09-04 - 来自专栏机器学习实践二三事
TF-Slim ImageNet数据集制作
https://blog.csdn.net/Gavin__Zhou/article/details/80242998 TF-Slim(tensorflow.contrib.slim)是TensorFlow 最近需要在ImageNet上训练一个Inception-ResNet-V2的变形版本，短平快的做法就是使用TF-Slim，在制作ImageNet数据集的时候按照官方指导出了问题，特此给出可行的解决方案，
1.9K20发布于 2019-05-26 - 来自专栏机器学习算法工程师
应用TF-Slim快速实现迁移学习
作者：张旭 编辑：张欢 这是一篇以实践为主的入门文章，目的在于用尽量少的成本组织起来一套可以训练和测试自己的分类任务的代码，其中就会用到迁移学习，TF-Slim库的内容，所以我们分为下面几个步骤介绍： ： 什么是迁移学习； 什么是TF-Slim； TF-Slim实现迁移学习的例程； 应用自己的数据集完成迁移学习。 2 什么是TF-Slim： TF-slim是用于定义，训练和评估复杂模型的TensorFlow（tensorflow.contrib.slim）的新型轻量级高级API。 tensorflow/models/tree/master/research/slim 翻译：http://blog.csdn.net/chaipp0607/article/details/74139895 3 TF-Slim
1.5K61发布于 2018-03-06 - 来自专栏人工智能LeadAI
ResNet原理及其在TF-Slim中的实现
2016年8月31日，Google团队宣布针对TensorFlow开源了最新发布的TF-slim资料库，它是一个可以定义、训练和评估模型的轻量级的软件包，也能对图像分类领域中几个主要有竞争力的网络进行检验和定义模型 本文将结合TF-slim库中的ResNet模型的代码，介绍一下ResNet网络的结构和原理。 这个深度瓶颈结构在TF-Slim库中的代码实现如下所示： def bottleneck(inputs, depth, depth_bottleneck, stride, rate=1, outputs_collections 而在TF-Slim的代码实现中我们可以看到采用了第二种解决方式，即通过通过1X1的卷积核卷积来达成尺寸匹配。（虽然论文中说这样提高不多但需要更多参数所以最后没有使用。） 在TF-Slim中的代码实现如下（以ResNet-50为例）： def resnet_v1_50(inputs, num_classes=None,
1.4K70发布于 2018-03-12 - 来自专栏人工智能LeadAI
ResNet原理及其在TF-Slim中的实现
2016年8月31日，Google团队宣布针对TensorFlow开源了最新发布的TF-slim资料库，它是一个可以定义、训练和评估模型的轻量级的软件包，也能对图像分类领域中几个主要有竞争力的网络进行检验和定义模型 本文将结合TF-slim库中的ResNet模型的代码，介绍一下ResNet网络的结构和原理。 这个深度瓶颈结构在TF-Slim库中的代码实现如下所示： def bottleneck(inputs, depth, depth_bottleneck, stride, rate=1, 而在TF-Slim的代码实现中我们可以看到采用了第二种解决方式，即通过通过1X1的卷积核卷积来达成尺寸匹配。（虽然论文中说这样提高不多但需要更多参数所以最后没有使用。） 在TF-Slim中的代码实现如下（以ResNet-50为例）： def resnet_v1_50(inputs, num_classes=None,
1.5K40发布于 2018-03-09 - 来自专栏AI研习社
手把手教你入门使用 tf-slim 库 | 回顾
今天的分享主题是 tf-slim 怎样快速上手，主要讲基于 TensorFlow 的高层封装库 tf-slim 入门知识。 分享提纲 装 tensorflow-gpu, 配置 tf-slim 环境 使用 tf-slim 训练自己的数据，以及将原始图像转换成 .tfrecord 数据文件 使用 tf-slim 加载 tfrecord tf-slim 优点： 有最新的的网络实现和预训练模型，能够快速产出。谷歌把一些最新的，最重要的大型网络已经实现好了，封装在 tf-slim 里面，可直接调用。 tf-slim 可比作一辆整车，但是又可以拆卸，因为它把最新的网络实现和预训练模型已经写好了，既封装了 一些网络实现，又能实现精细化的操作（可改源代码）。 tf-slim 配置 ? 1、配置 GPU 版本的 TensorFlow， 2、加载 tf-slim 库 使用 tf-slim 训练自己的模型 ? 以上具体参数可在文末视频中观看。
5.2K40发布于 2018-03-16 - 来自专栏AI研习社
手把手教你入门使用tf-slim库 | 回顾
使用tf-slim库，可以帮助你快速搭建图像处理(包括分类，分割)的生产环境，快速开发初代产品。本文内容为来自北京信息科技大学计算机应用技术专业研二在读生吴正一讲解的怎么快速入门tf-slim。 今天的分享主题是tf-slim怎样快速上手，主要讲基于TensorFlow的高层封装库tf-slim入门知识。 分享提纲 装tensorflow-gpu,配置tf-slim环境 使用tf-slim训练自己的数据，以及将原始图像转换成 .tfrecord 数据文件 使用tf-slim加载tfrecord训练图像分类模型 tf-slim 优点 有最新的的网络实现和预训练模型，能够快速产出。谷歌把一些最新的，最重要的大型网络已经实现好了，封装在tf-slim里面，可直接调用。 标准化的数据处理模板，适用于大型数据集。 tf-slim可比作一辆整车，但是又可以拆卸，因为它把最新的网络实现和预训练模型已经写好了，既封装了 一些网络实现，又能实现精细化的操作（可改源代码）。 tf-slim 配置 ?
5.4K60发布于 2018-03-16 - 来自专栏新智元
谷歌开源图像分类工具TF-Slim，定义TensorFlow复杂模型
【新智元导读】谷歌今天宣布开源 TensorFlow 高级软件包 TF-Slim，能使用户快速准确地定义复杂模型，尤其是图像分类任务。 TF-Slim 库提供的常用抽象能使用户快速准确地定义模型，同时确保模型架构透明，超参数明确。 自发布以来，TF-Slim 已经得到长足发展，无论是网络层、代价函数，还是评估标准，都增加了很多类型，训练和评估模型也有了很多便利的常规操作手段。 此外，我们还制作了 TF-Slim 图像模型库，为很多广泛使用的图像分类模型提供了定义以及训练脚本，这些都是使用标准的数据库写就的。 TF-Slim 及其组成部分都已经在谷歌内部得到广泛的使用，很多升级也都整合进了 tf.contrib.slim.
1K60发布于 2018-03-23 - 来自专栏机器学习AI算法工程
如何用TensorFlow和TF-Slim实现图像标注、分类与分割
本文github源码地址： 在公众号 datadw 里 回复 图像 即可获取。 笔者将和大家分享一个结合了TensorFlow和slim库的小应用，来实现图像分类、图像标注以及图像分割的任务，围绕着slim展开，包括其理论知识和应用场景。 之前自己尝试过许多其它的库，比如Caffe、Matconvnet、Theano和Torch等。它们各有优劣，而我想要一个可靠灵活的、自带预训练模型的Python库。最近，新推出了一款名叫slim的库，slim自带了许多预训练的模型，比如ResNet、VGG、Ince
1.6K40发布于 2018-03-15 - 来自专栏深度学习与计算机视觉
手把手教你如何应用TF-Slim快速实现迁移学习
这是一篇以实践为主的入门文章，目的在于用尽量少的成本组织起来一套可以训练和测试自己的分类任务的代码，其中就会用到迁移学习，TF-Slim库的内容，所以我们分为下面几个步骤介绍： 什么是迁移学习； 什么是TF-Slim； TF-Slim实现迁移学习的例程； 应用自己的数据集完成迁移学习。 什么是TF-Slim TF-slim是用于定义，训练和评估复杂模型的TensorFlow（tensorflow.contrib.slim）的新型轻量级高级API。 TF-Slim实现迁移学习的例程 在TensorFlow的github网址中提供了一个包含了数据准备+训练+预测的例程—Flowers，它只需我们运行几个脚本或命令行，不需要该任何代码就可以，我们先把这个例程解释一下
2.3K80发布于 2018-01-02 - 来自专栏深度学习与数据挖掘实战
【今日热门&优质资源】TensorFlow和TF-Slim实现图像分类与分割
【如何用TensorFlow和TF-Slim实现图像分类与分割】 链接：http://warmspringwinds.github.io/tensorflow/tf-slim/2016/10/30/image-classification-and-segmentation-using-tensorflow-and-tf-slim
53630发布于 2018-11-21 - 来自专栏计算机视觉理论及其实现
TF.Slim的repeat和stack操作
一、常规做法在搭建网络时，TF-Slim 提供 repeat 和 stack，允许用户重复执行相同的 操作，方便网络构建，例如：net = ...net = slim.conv2d(net, 256, slim.conv2d(net, 256, [3, 3], scope='conv3_%d' % (i+1)) net = slim.max_pool2d(net, [2, 2], scope='pool2')二、TF-Slim 中的 repeat 操作使用 TF-Slim 中的 repeat 操作替代上边的定义：net = slim.repeat(net, 3, slim.conv2d, 256, [3, 3], scope ], scope='pool2')slim.repeat 会自动给每一个卷积层的scopes命名为’conv3/conv3_1’, ’conv3/conv3_2’ 和’conv3/conv3_3’三、TF-Slim 中的 stack操作TF-Slim 的 slim.stack 操作允许用户用不同的参数重复调用同一种操作 slim.stack 也为每一个被创建的操作创建一个新的 tf.variable_scope#
1K30编辑于 2022-09-03 - 来自专栏深度学习与计算机视觉
TensorFlow-Slim图像分类库
它还包含用于下载标准图像数据集的代码，将其转换为TensorFlow的TFRecord格式，并可以使用TF-Slim的数据读取和队列程序进行读取。 我们还包括一个 jupyter notebook，它提供了如何使用TF-Slim进行图像分类的工作示例。 安装 在本节中，我们将描述安装相应必备软件包所需的步骤。 安装最新版本的TF-slim TF-Slim通过tf.contrib.slim的形式引入（TensorFlow 1.0）。 图像模型库 使用TF-Slim做图片分类任务时，您同样需要安装TF-slim图像模型库，注意它并不是TF库的核心部分，所以请查看tensorflow/models，如下所示： cd $HOME/workspace 因此，该标志表示TF-Slim以避免从检查点加载这些权重。
3K60发布于 2018-01-02 - 来自专栏机器之心
业界 | 谷歌开源高效的移动端视觉识别模型：MobileNet
该版本可在 TensorFlow 中使用 TF-Slim 对 MobileNet 模型进行定义，同样还有 16 个预训练 ImageNet 分类保存点（checkpoints）以适用于所有大小的移动项目 该版本可用 TF-Slim 对 MobileNet 模型进行定义。 而TF-slim 是用于定义、训练和评估复杂模型的 TensorFlow（tensorflow.contrib.slim）轻量级高层 API。 其 Github 目录包含使用 TF-slim 训练和评估几种广泛使用的卷积神经网络（CNN）图像分类模型的代码，同时还包括脚本以允许从头开始训练模型或微调预训练模型。
1.5K60发布于 2018-05-08 - 来自专栏磐创AI技术团队的专栏
兼容性Up！Object Detection API 现已支持 TensorFlow 2
我们将继续维护通过 tf-slim 实现的 TF1 主干网络，并引入通过 Keras 实现的 TF2 主干网络。然后，根据用户运行的 TensorFlow 版本，启用或禁用这些模型。 我们还验证了，新的 Keras 主干网络准确率能达到或者超出 tf-slim 主干网络（至少在 OD API 已有的模型中是这样的结果）。 tf-slim https://github.com/google-research/tf-slim Keras 应用 https://tensorflow.google.cn/api_docs/python
1.3K10发布于 2020-09-04 - 来自专栏腾讯Bugly的专栏
手机端运行卷积神经网络实现文档检测功能(二) -- 从 VGG 到 MobileNetV2 知识梳理
但是，在看过图像处理领域的一些论文和各种版本的参考代码之后，发现 TF-Slim 还是有一些局限性的。 常规的卷积层操作，用 TF-Slim 是可以简化代码，但是神经网络这个领域发展的速度太快了，经常都会有新的论文发表出来，也就经常会遇到一些新的 layer 结构，TF-Slim 并不是总能很方便的表达出这些 另外，这次遇到的在 TensorFlow 1.7 上旧模型不收敛的情况，虽然没有准确定位到原因、没找到解决办法，但是分析了一圈后，其实还是怀疑是因为使用 TF-Slim 而引出的问题，虽然 TF-Slim 简化了卷积层相关的代码，但是完整的代码中还是要使用 TensorFlow 中的其他 API 的，TF-Slim 封装出来的抽象度比较高，除了卷积操作的 API，它还封装了其他的一些 API，但是它的抽象设计和 layer 由嵌套函数定义，方便进行各种自定义的配置或组装，net 主体部分，跟 TF-Slim 的风格其实也是类似的，layer 之间的层级关系简单明了，更容易和论文中的配置表格或结构示意图对应起来。
2.2K40发布于 2018-06-11 - 来自专栏AI科技评论
Google最新开源Inception-ResNet-v2，进一步提升图像分类水准
2016年8月31日，Google团队宣布针对TensorFlow开源了最新发布的TF-slim资料库，它是一个可以定义、训练和评估模型的轻量级的软件包，也能对图像分类领域中几个主要有竞争力的网络进行检验和定义模型 为了使人们理解开始试验，我们也将要发布新型Inception-ResNet-v2预训练实例，作为TF-Slim 图像模型库的组成部分。
2.1K40发布于 2018-03-07 - 来自专栏贾志刚-OpenCV学堂
Opencv+TF-Slim实现图像分类及深度特征提取
点击上方↑↑↑“OpenCV学堂”关注我 投稿作者：小黄弟, 来自:中国电科智慧城市建模仿真与智能技术重点实验室 文字编辑：gloomyfish 如果你觉得文章对你有帮助，欢迎转发支持 tf-slim TF-Slim是一个用于定义、训练和评估复杂模型的tensorflow轻量级库，在slim库中已经有很多官方实现的网络并用ImageNet进行了预训练，如VGG、ResNet、Inception等，可直接拿来使用
1.6K60发布于 2019-08-19 - 来自专栏量子位
谷歌开源MobileNets：在移动设备上高效运行的计算机视觉模型
这次开源包含了MobileNets的模型定义，它在TensorFlow上使用了TF-Slim以及其他16个用于全规模移动项目的预训练ImageNet分类检查点。
88440发布于 2018-03-29 - 来自专栏目标检测和深度学习
2017年历史文章汇总|深度学习
爆炸原因及其解决方法 深度学习必备---用Keras和直方图均衡化---数据增强 Batchnorm原理详解 AI从业者搞懂---这10种深度学习方法---老婆孩子热炕头 一步步教你理解LSTM 应用TF-Slim
70220发布于 2018-07-20
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号