快速肮脏的tensorflow命令框架
tensorflow-qnd的Python项目详细描述
<；img src="img/logo.png">；
<；div>；
[PYPI版本]（https://badge.fury.io/py/tensorflow qnd.svg）（https://badge.fury.io/py/tensorflow qnd）
[！[python版本]（https://img.shields.io/pypi/py versions/tensorflow qnd.svg）（setup.py）
[！[构建状态]（https://travis-ci.org/raviqqe/tensorflow-qnd.svg？branch=master）（https://travis ci.org/raviqqe/tensorflow qnd）
[！[许可证]（https://img.shields.io/badge/license unlicense lightgray.svg）（https://unlicense.org）
是建立在
[tf.contrib.learn模块（https://github.com/tensorflow/tensorflow/tree/master/tensorflow/contrib/learn/python/learn）之上的。
特别是如果您正在使用tensorflow进行研究项目，您可以使用该框架删除大部分样板代码。
要做的是定义一个模型构造函数"model_fn"，输入
生产者"input_fn"，将数据集馈送到模型。
-配置命令行选项以设置模型等的超参数。
-[分布式TensorFlow]（https://www.tensorflow.org/how_-tos/distributed/）
-只需将"def-train"和"evaluate（）"的可选参数"distributed"设置为"true"（即` def_train_and_evaluate（distributed=true）`）启用它。
-仅支持数据并行训练
-仅用于训练，不用于推理
tensorflow qnd
````
使用"add_flag"和"add_required_flag"函数添加命令行参数。
2.用
`def\u train\u evaluate`或'def\u infer 3'函数定义一个'train\u evaluate'或'infer3'函数。将'model_fn'（model constructor）和'input_fn'（input producer）函数
传递给定义的函数。
4。使用适当的命令行参数运行脚本。
有关详细信息，参见[文档]（https://raviqqe.github.io/tensorflow qnd/qnd）。
Distributed=（操作系统环境中的"Distributed"）
model=mnist.def_model（）
def main（）：
logging.getlogger（）.setlevel（logging.info）
train廑and廑evaluate（model，读写文件）
定义读取文件（文件名队列）：
uu，serialized=tf.tfrecordreader（）.read（文件名队列）
def scalar_feature（dtype）：返回tf.fixedlenfeature（[]，dtype）
features=tf.parse_single_example（serialized，{
"image_raw"：scalar_feature（tf.string），
"label"：标量特征（tf.int64），
}
image=tf.decode_raw（特征["image_raw"]，tf.uint8）
image.set_shape（[28**2]）
return _preprocess_image（image），features["label"]
def serving_input_fn（）：
features={
"image"："u preprocess_image（tf.placeholder（tf.uint8，[none，28**2]），
}
return tf.contrib.learn.inputfnops（features，none，功能）
def minimize（loss）：
返回tf.train.adamoptimizer（）。最小化（
损失，
tf.contrib.framework.get_global_step（））
def def_model（）：
qnd.add_flag（"hidden_layer_size"，type=int，default=64，
help="hidden layer size"）
def model（image，number=none，mode=none）：
h=tf.contrib.layers.full_connected（image，
qnd.flags.hidden_layer_size）
h=tf.contrib.layers.fully_connected（h，10，activation_fn=none）
predictions=tf.argmax（h，axis=1）
if mode==tf.contrib.learn.modekeys.infer:
return predictions
损失=tf.减少平均值（
tf.nn.sparse_softmax_cross_entropy_with_logits（labels=number，
logits=h））
{
"准确性"：tf.contrib.metrics.streaming_accurity（predictions，
number）[1]，
}
return model
```
您可以使用以下接口创建命令。
```
用法：train.py[-h][--output_dir output_dir][--train_steps train_steps]
[--eval_steps eval_steps]
[--min_eval_frequency min_eval frequency]
[--num_cores num cores][--log_device_placement]
[--save_summary_steps save_summary_steps]
[--save_checkpoints_steps save_checkpoints_steps]
[--keep_checkpoint_max keep_checkpoint_max]
[--batch_size batch_size]
[--batch_queue_capacity batch_queue_capacity]
[--num_batch_threads num_batch_threads]--train_file
train_file[--filename_queue_capacity filename_queue_capacity]
--eval_file eval_file[--hidden_layer_size隐藏层大小]
可选参数：
-h，--帮助显示此帮助消息并退出存储检查点和事件文件的目录（默认值：无）
--评估步骤评估步骤
最大评估步骤数（默认值：100）
--最小评估频率最小评估频率列车步骤数中的最小评估频率
（默认值：1）
--num_cores num_cores
使用的CPU内核数。0表示使用默认值
。（默认值：0）
--记录设备放置
如果指定，记录设备放置信息
（默认值：false）
--保存摘要步骤保存摘要步骤
每次保存摘要的步骤数
（默认值：100）
--保存检查点步骤保存检查点步骤
每次保存模型的步骤数
（默认值：无）
--保持检查点最大值保持检查点最大值
最大值保留的检查点文件数（默认值：86058）
--批处理大小批处理大小
小批处理大小（默认值：64）
--批处理队列容量批处理队列容量
批处理队列容量（默认值：1024）
--批处理线程数批处理线程数
用于创建批的线程数（默认值：2）
--train_file train_file
train数据文件的文件路径。全局可用。
（例如train/*.tfrecords）（默认值：无）
--文件名队列容量文件名队列容量
数据（默认值：32）
--评估文件评估文件
评估数据文件的文件路径。有一个glob可用。
（例如eval/*.tfrecords）（默认值：无）
--隐藏层大小隐藏层大小
隐藏层大小（默认值：64）
`````
explore[示例]（examples）directory了解更多信息，并查看如何运行
它们。
您必须使用
`tf.contrib.framework.get_global_step（）'获取全局步骤变量，并在每个
训练步骤中更新（增量）。
"model fn"的"eval_metric"值或作为
"model fn ops"的参数，它们的值将是每个评估步骤中最后一批的值。
或者拉取
请求。
\license
[无许可证]（https://unlicense.org）
欢迎加入QQ群-->： 979659372
