跑深度学习网络时碰到的一些问题记录

分两部分记录：

一.日志信息

二.程序语言

#############################################################################

一.日志信息

在TRAIN_DIR路径下会产生四种文件：

1.checkpoint:文本文件，包含所有model.ckpt-xxxx,相当于是不同时间节点生成的所有ckpt文件的一个索引。

2.model.ckpt-2124.data-000000-of-000001:模型文件，保存模型的权重

3.model.ckpt-2124.meta: 图文件，保存模型的网络图

4.model.ckpt-2124.index: 这个不清楚

5.graph.pbtxt: 用protobuf格式保存的模型的图

Tensorflow使用五个不同级别的日志消息。按照上升的顺序，它们是DEBUG,INFO,WARN,ERROR和FATAL。当在任何这些级别配置日志记录时，Tensorflow将输出与该级别相对应的所有日志消息以及所有级别的严格级别。例如，如果设置了ERROR的日志记录级别，则会收到包含ERROR和FATAL消息的日志输出，如果设置了一个DEBUG级别，则会从所有五个级别获取日志消息。

默认情况下，Tensorflow在WARN的日志记录级别进行配置，但是在跟踪模型训练时，需要将级别调整为INFO，tf.logging.set_verbosity(tf.logging.INFO)

二.程序语言

1.join 和 os.path.join函数

join：用于合并字符串数组

os.path.join:用于合并多个路径

import os
dataset_dir = '.'
file_pattern = 'fgvc_%s.tfrecord'
split_name = 'train'
a = os.path.join(dataset_dir, file_pattern % (split_name))
print a   #./fgvc_train.tfrecord

2.tf.expand_dims 和 tf.squeeze

tf.expand_dims：用于增加维度(点击打开链接)

import tensorflow as tf
a = tf.constant([[1,2,3],[4,5,6]])
with tf.Session() as sess:
    print sess.run(a)
    '''
    [[1 2 3]
     [4 5 6]]
     '''
    print tf.shape(a)
    '''
    Tensor("Shape_5:0", shape=(2,), dtype=int32)
    '''
    a_1 = tf.expand_dims(a,0)
    print sess.run(a_1)
    '''
    [[[1 2 3]
      [4 5 6]]]
    '''
    print tf.shape(a_1)
    '''
    Tensor("Shape_6:0", shape=(3,), dtype=int32)
    '''
    a_2 = tf.expand_dims(a,-1)
    print sess.run(a_2)
    '''
    [[[1]
      [2]
      [3]]

     [[4]
      [5]
      [6]]]
    '''
    print tf.shape(a_2)
    '''
    Tensor("Shape_7:0", shape=(3,), dtype=int32)
    '''
    a_3 = tf.expand_dims(a,1)
    print sess.run(a_3)
    '''
    [[[1 2 3]]

     [[4 5 6]]]
     '''
    print tf.shape(a_3)
    '''
    Tensor("Shape_8:0", shape=(3,), dtype=int32)
    '''

tf.squeeze:减少多余的维度

import tensorflow as tf
a = tf.constant([[1]])
b = tf.constant([[[1,2],[3,4]]])
with tf.Session() as sess:
    print sess.run(a) #[[1]]
    print sess.run(tf.squeeze(a)) # 1
    print sess.run(b) 
    '''
    [[[1 2]
      [3 4]]]
      '''
    print sess.run(tf.squeeze(b))
    '''
    [[1 2]
     [3 4]]
    '''

3.tf.cast 函数

用法：tf. cast(x, dtype, name=None)

作用：将x的数据格式转化成dtype.

import tensorflow as tf
a = tf.constant([[1.2]])
b = tf.constant([[[1,2],[3,4]]])
with tf.Session() as sess:
    print sess.run(a) #[[1.2]]
    print sess.run(tf.cast(a, tf.int32))# [[1]]

dtype类别有：tf.bool, tf.int32, tf.int64, tf.float32, tf.float64等

4.将Tensor张量转化为numpy数组

点击打开链接

注：tensorflow里面不能将张量转化成矩阵后用numpy计算，因为numpy里不能实现梯度反传。

5.不能用for循环遍历图片的所有像素点，这样会导致op节点爆炸。

6.如果采用tf.initialize_all_variables().run()，所有权重都将初始化，如果只训练某一层权重则不应用这句命令。

详细内容：点击打开链接

7.tf查找元素相关程序点击打开链接

8.tf.matmul与tf.multiply

tf.matmul：矩阵乘法

tf.multiply：element-wise。对应元素相称，如两个矩阵的第一行第一列相乘。

9.tf.shape(a) 和a.get_shape()