李二007

1.x是编译的时候加上--config=opt就成了，2.0我没试过，按理说应该一样吧

TensorFlow C++ CPU 模型预测优化加速

如下图所示，TensorFlow在移动端的上线流程常包括下面几个步骤： 固化模型->将variable转constant 剪枝->去除、合并、跳过某些节点， 量化->数据类型...

李二007

4255 6 1

李二007

@公输睚信 差距还是蛮大的2-3个点，然后问下eval的时候，有没办法不够一个batch的不扔掉，标注数据很少，感觉蛮可惜

TensorFlow 使用 tf.estimator 训练模型（预训练 ResNet-50）

看过 TensorFlow-slim 训练 CNN 分类模型（续） 及其相关系列文章的读者应该已经感受到了 tf.contrib.slim 在训练卷积神经网络方面的极其方便之...

公输睚信

27959 146 31 1

李二007

@公输睚信 这个地方的is_training参数是只表示batch_norm层是否参与训练吗？感觉我是在随机编程 不过我现在已经通过给train_op传参数控制前面几层不参与训练了。
再问下，我发现用导出来的模型测试验证集，发现准确率比训练过程中要差一些。这份代码有考虑batch_norm那几个local_variable的导出问题吗？也有可能是我后面给改坏了，我明儿再看看吧

TensorFlow 使用 tf.estimator 训练模型（预训练 ResNet-50）

看过 TensorFlow-slim 训练 CNN 分类模型（续） 及其相关系列文章的读者应该已经感受到了 tf.contrib.slim 在训练卷积神经网络方面的极其方便之...

公输睚信

27959 146 31 1

李二007

对这些高级api无语了，同一个功能好几个地方都有相关参数，一脸懵逼，在问个问题哈，我强制性这样固定参数，好像没起作用是个啥子情况
is_training = False
cls_model = model.Model(is_training=is_training,
num_classes=FLAGS.num_classes)

TensorFlow 使用 tf.estimator 训练模型（预训练 ResNet-50）

看过 TensorFlow-slim 训练 CNN 分类模型（续） 及其相关系列文章的读者应该已经感受到了 tf.contrib.slim 在训练卷积神经网络方面的极其方便之...

公输睚信

27959 146 31 1

李二007

@公输睚信 然后可以通过给Estimator传一个run_config来控制
run_config =tf.estimator.RunConfig(model_dir=FLAGS.model_dir, save_checkpoints_steps=20)
estimator = tf.estimator.Estimator(model_fn=create_model_fn,
config=run_config)

TensorFlow 使用 tf.estimator 训练模型（预训练 ResNet-50）

看过 TensorFlow-slim 训练 CNN 分类模型（续） 及其相关系列文章的读者应该已经感受到了 tf.contrib.slim 在训练卷积神经网络方面的极其方便之...

公输睚信

27959 146 31 1

李二007

@公输睚信 哈哈多谢哈，我对slim跟estimator不太熟，可能理解有问题，不过我试了下，发现这段代码没起作用，注释掉之后跟之前是一样的，还是同样的频率保存ckpt
if mode == tf.estimator.ModeKeys.TRAIN:
global_step = tf.train.get_or_create_global_step()
learning_rate = configure_learning_rate(FLAGS.decay_steps,
global_step)
optimizer = tf.train.MomentumOptimizer(learning_rate=learning_rate,
momentum=0.9)
train_op = slim.learning.create_train_op(loss, optimizer,
summarize_gradients=True)

# keep_checkpoint_every_n_hours = FLAGS.keep_checkpoint_every_n_hours
# saver = tf.train.Saver(
# sharded=True,
# keep_checkpoint_every_n_hours=keep_checkpoint_every_n_hours,
# save_relative_paths=True)
# tf.add_to_collection(tf.GraphKeys.SAVERS, saver)
# scaffold = tf.train.Scaffold(saver=saver)

TensorFlow 使用 tf.estimator 训练模型（预训练 ResNet-50）

看过 TensorFlow-slim 训练 CNN 分类模型（续） 及其相关系列文章的读者应该已经感受到了 tf.contrib.slim 在训练卷积神经网络方面的极其方便之...

公输睚信

27959 146 31 1

李二007

大神666，学到很多，有几个问题想请教下
1.keep_checkpoint_every_n_hours 这个参数不管怎么设置都没用，最终都是10分钟保存一次
2.estimator的train_and_evaluate 怎么设置多少step去evaluate一次呢，这个跟keep_checkpoint的步骤有关系吗？然后能根据这个early_stop吗？
3.所有的log总是打印两遍
INFO:tensorflow:Running local_init_op.
INFO:tensorflow:Running local_init_op.
INFO:tensorflow:Done running local_init_op.
INFO:tensorflow:Done running local_init_op.
INFO:tensorflow:Saving checkpoints for 0 into ./training/model.ckpt.
INFO:tensorflow:Saving checkpoints for 0 into ./training/model.ckpt.

TensorFlow 使用 tf.estimator 训练模型（预训练 ResNet-50）

看过 TensorFlow-slim 训练 CNN 分类模型（续） 及其相关系列文章的读者应该已经感受到了 tf.contrib.slim 在训练卷积神经网络方面的极其方便之...

公输睚信

27959 146 31 1

李二007

为了用C++简单实现bert模型地预处理，需要将中文字符串切割成单个中文汉字，网上没有找到在GBK编码下的C++版本，于是简单地查了下资料，实现了个半成品。 GBK编码 AS...