Tensorboard 的 mnist 示例中生成了意外的层答案

【问题标题】：Unexpected layers were generated in the mnist example in TensorboardTensorboard 的 mnist 示例中生成了意外的层
【发布时间】：2018-07-10 18:12:21
【问题描述】：

为了学习tensorflow，我执行了这个tensorflow官方mnist脚本（cnn_mnist.py），并用tensorboard展示了图表。

以下是部分代码。该网络包含两个卷积层和两个密集层。

conv1 = tf.layers.conv2d(inputs=input_layer,filters=32,kernel_size=[5, 5],
      padding="same",activation=tf.nn.relu)

pool1 = tf.layers.max_pooling2d(inputs=conv1, pool_size=[2, 2], strides=2)

conv2 = tf.layers.conv2d(inputs=pool1,filters=64,kernel_size=[5, 5],
      padding="same",activation=tf.nn.relu)

pool2 = tf.layers.max_pooling2d(inputs=conv2, pool_size=[2, 2], strides=2)

pool2_flat = tf.reshape(pool2, [-1, 7 * 7 * 64])

dense = tf.layers.dense(inputs=pool2_flat, units=1024, activation=tf.nn.relu)

dropout = tf.layers.dropout(
      inputs=dense, rate=0.4, training=mode == tf.estimator.ModeKeys.TRAIN)

logits = tf.layers.dense(inputs=dropout, units=10)

但是看tensorboard生成的图，有3个conv层和3个dense层。没想到会生成conv2d_1和dense_1。

为什么会生成conv2d_1 和dense_1？

【问题讨论】：

标签： python tensorflow deep-learning conv-neural-network tensorboard

【解决方案1】：

这是一个很好的问题，因为它揭示了tf.layers 包装器的内部结构。让我们进行两个实验：

完全按照问题中的方式运行模型。
通过name 参数向层添加显式名称并再次运行。

没有图层名称的图表

这与您的图表相同，但我扩展并放大了 logits 密集层。请注意，dense_1 包含层变量（内核和偏差），dense_2 包含操作（矩阵乘法和加法）。

这意味着这仍然是一层，但有两个命名范围 - dense_1 和 dense_2。发生这种情况是因为这是第二个密集层，而第一个密集层已经使用了命名范围 dense。变量的创建与实际的层逻辑是分开的——有build 和call 方法——它们都试图为范围获取一个唯一的名称。这导致dense_1 和dense_2 分别持有变量和操作。

指定名称的图表

现在让我们将name='logits' 添加到同一层并再次运行：

logits = tf.layers.dense(inputs=dropout, units=10, name='logits')

您可以看到仍然有 2 个变量和 2 个操作，但该层设法为范围获取了一个唯一名称 (logits) 并将所有内容放入其中。

结论

这是一个很好的例子，为什么在 tensorflow 中显式命名是有益的，无论是直接的张量还是更高级别的层。当模型使用有意义的名称而不是自动生成的名称时，混淆会少得多。

【讨论】：

【解决方案2】：

它们只是在tf.layers.conv2d 中发生的变量创建和其他隐藏操作，而不仅仅是卷积操作本身 (tf.nn.conv2d) 和激活（密集层也是如此）。只有 2 个卷积发生：如您所见，如果您在图中跟踪数据，它永远不会通过 conv2D_1 或 dense_1，只是这些操作的结果（基本上是卷积所需的变量）也作为卷积运算本身的输入。我实际上更惊讶的是没有看到 conv_2d 出现相同的东西，但我真的不会为此担心！

【讨论】：