TensorFlow 1.0 版本刚刚正式发布，各路媒体大量刷屏，可见其影响力。再加上 TensorFlow-Fold 的出现，让其建立 dynamic computation graphs 非常方便，具备了 dynet 和 pytorch 类似的功能。同学们可能发现 1.0 版本改动非常大，很多 API 被重新命名、使用方法也变了很多，导致旧版本的 TF 代码无法在 1.0 版本上直接运行。另外，TF1.0 版本中终于加入了tf.layers，虽然功能有限，但比没有要好多了。
今天介绍一个工具 TensorLayer（以下简称 TL），虽然它实现了各种各样的层，也提供类似 Keras 的 fit(), test(), predict() 等方法，但我称其为工具而不是库，因为它大量的功能以函数形式提供，通过巧妙使用提供的函数，可以非常简洁高效地实现复杂的应用。比如 TL 提供了大量的数据增强和预处理函数，自己可以根据应用而个性化地组合这些函数（比如 image segmentation 时 X 和 Y 要对应处理）。TL 的 API 设计要求尽可能地输入 TF 本身的 API，这样的好处是可以和 TF 方便地交互使用，其 DynamicRNNLayer 和 PoolLayer 是很好的例子（当然它也提供 简化版本API ）。因此在我看来，使用 TL 的设计是为了巧妙地使用 TF，它提供的代码例子都跟随一种编写风格，方便社区统一风格以分享阅读代码。
这里根据最近使用 TL 的经验，我总结了一些使用小技巧，若写得不客观请见谅，当作是自己的笔记吧。
第一次在知乎写文章，写得不好看看就好
我现在在美帝读博，非常喜欢深度学习，欢迎交流 ：D
*** 更多小技巧将陆续在（这里）补充。
1. 安装
* 为了方便阅读和拓展 TL 代码，建议把整个项目下载下来（在terminal中输入 git clone zsdonghao/tensorlayer），然后把 tensorlayer 的文件夹放到你的项目中。
* 由于近期 TL 发展很快，若想用 pip 安装，建议安装 master 版本。
* 对于研究 NLP 的同学，可能需要安装 NLTK 和 NLTK data 以使用文本分析API，这些功能封装在 tl.nlp 中。（若不使用则不需要安装）
2. TF与TL相互转换
* TF 转为 TL : 通过 InputLayer 把 tensor 输入到 tl.layers
* TL 转为 TF : 通过 network.outputs 获取 tensor
* 其它途径 [issues7], 多输入 [issues31]
3. Training/Testing 切换
* 通过 network.all_drop 来 disable/enable DropoutLayer (这只当使用 DropoutLayer 时才可以，可参考 tutorial_mnist.py 和 Understand Basic layer
* 更好的方法是把 noise 层的 "is_fix" 设为 "True"，然后对 Training 和 Testing 分别建立不同的graph，这需要用到 parameter sharing。除了控制training/testing，这个方法可以让建立 graph 时使用不一样的参数，如 batch_size，GaussianNoiseLayer, BatchNormLayer 等。 例子如下：
def mlp(x, is_train=True, reuse=False):
with tf.variable_scope("MLP", reuse=reuse):
tl.layers.set_name_reuse(reuse)
net = InputLayer(x, name='in')
net = DropoutLayer(net, 0.8, True, is_train, 'drop1')
net = DenseLayer(net, 800, tf.nn.relu, 'dense1')
net = DropoutLayer(net, 0.8, True, is_train, 'drop2')
net = DenseLayer(net, 800, tf.nn.relu, 'dense2')
net = DropoutLayer(net, 0.8, True, is_train, 'drop3')
net = DenseLayer(net, 10, tf.identity, 'out')
logits = net.outputs
net.outputs = tf.nn.sigmoid(net.outputs)
return net, logits
x = tf.placeholder(tf.float32, shape=[None, 784], name='x')
y_ = tf.placeholder(tf.int64, shape=[None, ], name='y_')
net_train, logits = mlp(x, is_train=True, reuse=False)
net_test, _ = mlp(x, is_train=False, reuse=True)
cost = tl.cost.cross_entropy(logits, y_, name='cost')
4. 获取variables
TL非常特殊的一点是：需要给每层输入一个唯一的名字，除非 reuse 该层。我刚开始用时，完全不明白这样设计的道理，后来发现这样的好处是杜绝了错误重用和方便参数管理。
* 使用 tl.layers.get_variables_with_name 获取参数列表，尽量少用 net.all_params，下面的例子获取了上面例子中全部函数，因为上面例子中的函数都置于 “MLP” 之下：
train_vars = tl.layers.get_variables_with_name('MLP', True, True)
train_op = tf.train.AdamOptimizer(learning_rate=0.0001).minimize(cost, var_list=train_vars)
* 这个方法常常用于选择哪些参数需要被更新，比如训练 GAN 时，可以分别获取 G 和 D 的参数列表，放到对应的 optimizer 中。
* 其它方法 [issues17], [issues26], [FQA]
5. 使用预训练的 CNN 及建立 Resnet
很多应用中需要用到预训练好的CNN模型，比如 image captioning, VQA, 以及在小数据集中 fine-tune 做分类器等等。
* 预训练的 CNN
。TL 网站上提供了 VGG16, VGG19, Inception 等例子，请见 TL/example
。此外通过 tl.layers.SlimNetsLayer 可以使用 Tf-Slim pre-trained models 中全部预训练好的模型！
* Resnet
。Implement by "for" loop [issues85]
。 Other methods [by @ritchieng]
6. 数据增强
* 使用 TF 提供的 TFRecord，参考 cifar10 and tfrecord examples; 这里介绍一个很好的工具: imageflow
* TL提供了 tl.prepro.threading_data 来使用 python-threading，并提供了大量图像增强的函数： the functions for images augmentation，请参考 tutorial_image_preprocess.py
7. 句子ID化（Sentences tokenization）
NLP中，词语需要转换为ID来处理，TL 的 tl.nlp 提供了大量的方法，但我觉得下面的几个han s基本够用了。
* 使用 tl.nlp.process_sentence 把句子分隔，对于中文推荐使用 jieba分词
* 然后使用 tl.nlp.create_vocab 来建立词汇表并保存成为 txt 文件，该函数还会返回一个 tl.nlp.SimpleVocabulary 实例
* 最后建议从 tl.nlp.create_vocab 保存的 txt 文件中实例化一个 tl.nlp.Vocabulary，以方便词语和数字ID之间的转换
* 更多文本处理函数请见 tl.prepro 和 tl.nlp
8. Dynamic RNN 与 sequence length
* 使用 tl.layers.retrieve_seq_length_op2 来帮助 DynamicRNNLayer 自动计算每个句子的 sequence length
* 对一个 batch 的数据做 zero padding：
b_sentence_ids = tl.prepro.pad_sequences(b_sentence_ids, padding='post')
* 其它方法 [issues18]
9. 常见bug
* Matplotlib issue arise when importing TensorLayer [issues] [FQA] （这个问题往往在远程连接 ubuntu 时出现）
10. 其它小技巧
* TL默认模式下，在执行每一个 layer 时会把相关信息显示到terminal中。但当你在建立非常深的网络时，这些信息没有太大帮助。因此可以通过 with tl.ops.suppress_stdout(): 来禁止print输出：
print("You can see me")
with tl.ops.suppress_stdout():
print("You can't see me") # 在这里建立模型
print("You can see me")
Useful links
* TL official sites: [Docs], [中文文档], [Github]
* Learning Deep Learning with TF and TL
转自：https://zhuanlan.zhihu.com/p/25296966
