Tensorflow:卷积神经网络的API推荐？

Question

我最近一直在研究如何使用TensorFlow来创建一个定制的CNN，并且一直试图使用教程来洞察设计、训练和部署图像分类网络的最简单的方法。

在我看来，最突出的两种方法是：

TF层API：这个API似乎提供了一层一层地定义网络的最直接和直观的方法。尽管如此，他们训练和评估模型的方式使用了tf.learn.Estimator类，这似乎有点限制，因为网络使用Estimator的fit()方法进行严格的培训，使用evaluate()方法进行验证。本教程甚至不使用tf.Session。

低级API：定义一个网络似乎有点乏味。此外，培训和部署是以非常手动的方式进行的，但它似乎提供了更多的控制。

对于一个想要实现和培训相对基本的TensorFlow的新手，谁正在寻找修补网络体系结构和基本的超参数调优的能力，什么是最好的API熟悉？

此外，如果有任何有用的教程或示例使用您的首选界面，链接将是非常感谢的。

Answer 1

对于Tensorflow来说，Keras是一个很好的前端。听起来应该符合你的需要。这是一个与Keras一起训练CNN的人的示例。

Answer 2

我喜欢在此页上描述的东西：“用手”写你的东西，但是给模型一个透明的外部类接口。TF图元作为属性处理，并在构造时建立，这样就可以不用知道TF，就可以使用该模型。有点像Keras，但给了您完全的控制(并迫使您学习低水平)。不过，它缺乏Keras的镇定能力。

基本上，它建议您这样做：

class Model:
    @lazy_property
    def prediction(self):
        ...

    @lazy_property
    def optimize(self):
        # actual TF stuff here, e.g.:
        cross_entropy = -tf.reduce_sum(self.target, tf.log(self.prediction))
        optimizer = tf.train.RMSPropOptimizer(0.03)
        return optimizer.minimize(cross_entropy)

    @lazy_property
    def error(self):
        ...

如果您感兴趣，我尝试用一个公共基类和装饰器这里封装该方法。我试着坚持使用Keras，会话是显式处理和with。然而，这些代码实际上并没有被用于培训--我只是在厌倦了在服务器式的大学项目中重复所有的东西，并想要产生更干净的东西之后才编写它。