編集履歴

質問編集履歴

修正

2017/08/30 07:13

投稿

スコア303

test CHANGED Viewed

	@@ -1 +1 @@
1	- ~~ten~~s~~orf~~l~~owのtr~~a~~inningの過程におけ~~る~~関数についての質問~~
1	+ passだけしか返さないclassを定義する意味

test CHANGED Viewed

@@ -1,52 +1,14 @@
-tensorflowのcifar10でのtrain関数で以下のコードがあったのですが、特定箇所のコード処理の解釈でわからない部分があるので下記箇所について質問があります
+以下のように関数の中でclassを定義していますが、```pass```何も返しません。
-【質問】
-＊1箇所目
-```
-# Compute gradients.
-  with tf.control_dependencies([loss_averages_op]):
-    opt = tf.train.GradientDescentOptimizer(lr)
-    grads = opt.compute_gradients(total_loss)
+一方関数の```return```はresultになっています。
-  # Apply gradients.
+ここで質問があるのですが、
-  apply_gradient_op = opt.apply_gradients(grads, global_step=global_step)
+質問１：このclassを定義する意味はなんなのでしょうか？
-```
-勾配を定義し、```compute_gradients```で値を更新しているのですが、```opt.apply_gradients```というのは勾配(opt)に勾配の更新した値を適用しているのでしょうか？
-＊2箇所目
-```
-with tf.control_dependencies([apply_gradient_op, variables_averages_op]):
+質問２：  このコードはcifar10のものですが、```result = CIFAR10Record()```の部分の意味を教えてください。
-    train_op = tf.no_op(name='train')
-```
-tf.control_dependenciesで訓練中の勾配の更新値と重みバイアスの更新値とを結びつけ（依存関係を構築し）ているのでしょうか？これは二つがバラバラに更新されているため、二つを結びつけているのですか？
-また```tf.no_op(name='train')```というのは何をしているのでしょうか？
-ご教授いただけないでしょうか？宜しくおねがいします
@@ -58,116 +20,52 @@
+```
+def read_cifar10(filename_queue):
+    class CIFAR10Record(object):
+        pass
+    result = CIFAR10Record()
+    label_bytes = 1  # 2 for CIFAR-100
+    result.height = 128
+    result.width = 128
+    result.depth = 3
+    image_bytes = result.height * result.width * result.depth # 49152
+    record_bytes = label_bytes + image_bytes
+    reader = tf.FixedLengthRecordReader(record_bytes=record_bytes) # #<tensorflow.python.ops.io_ops.FixedLengthRecordReader at 0x112c44128>
+    result.key, value = reader.read(filename_queue) # # key:<tf.Tensor 'ReaderReadV2:0' shape=() dtype=string> vaule:ReaderReadV2:1'
+    record_bytes = tf.decode_raw(value, tf.uint8) # <tf.Tensor 'DecodeRaw:0' shape=(?,) dtype=uint8>
-該当コード
-```
-def train(total_loss, global_step):
-  """Train CIFAR-10 model.
-  Create an optimizer and apply to all trainable variables. Add moving
-  average for all trainable variables.
-  Args:
-    total_loss: Total loss from loss().
-    global_step: Integer Variable counting the number of training steps
-      processed.
-  Returns:
-    train_op: op for training.
-  """
-  # Variables that affect learning rate.
-  num_batches_per_epoch = NUM_EXAMPLES_PER_EPOCH_FOR_TRAIN / FLAGS.batch_size
+    result.label = tf.cast(tf.strided_slice(record_bytes, [0], [label_bytes]), tf.int32) # # <tf.Tensor 'Cast:0' shape=(?,) dtype=int32>
-  decay_steps = int(num_batches_per_epoch * NUM_EPOCHS_PER_DECAY)
-  # Decay the learning rate exponentially based on the number of steps.
+    depth_major = tf.reshape(tf.strided_slice(record_bytes, [label_bytes],
-  lr = tf.train.exponential_decay(INITIAL_LEARNING_RATE,
+                       [label_bytes + image_bytes]),[result.depth, result.height, result.width]) # # <tf.Tensor 'Reshape:0' shape=(3, 128, 128) dtype=uint8>
-                                  global_step,
-                                  decay_steps,
-                                  LEARNING_RATE_DECAY_FACTOR,
-                                  staircase=True)
-  tf.summary.scalar('learning_rate', lr)
+    result.uint8image = tf.transpose(depth_major, [1, 2, 0]) # <tf.Tensor 'transpose_1:0' shape=(128, 128, 3) dtype=uint8>
-  # Generate moving averages of all losses and associated summaries.
-  loss_averages_op = _add_loss_summaries(total_loss)
-  # Compute gradients.
-  with tf.control_dependencies([loss_averages_op]):
-    opt = tf.train.GradientDescentOptimizer(lr)
-    grads = opt.compute_gradients(total_loss)
-  # Apply gradients.
-  apply_gradient_op = opt.apply_gradients(grads, global_step=global_step)
-  # Add histograms for trainable variables.
-  for var in tf.trainable_variables():
-    tf.summary.histogram(var.op.name, var)
-  # Add histograms for gradients.
-  for grad, var in grads:
-    if grad is not None:
-      tf.summary.histogram(var.op.name + '/gradients', grad)
-  # Track the moving averages of all trainable variables.
-  variable_averages = tf.train.ExponentialMovingAverage(
-      MOVING_AVERAGE_DECAY, global_step)
-  variables_averages_op = variable_averages.apply(tf.trainable_variables())
-  with tf.control_dependencies([apply_gradient_op, variables_averages_op]):
-    train_op = tf.no_op(name='train')
-  return train_op
+    return result
 ```