在阅读SPGAN代码源码的过程中，学习到的关于tensorflow的一些知识。

1. tf.ConfigProto

参考链接:https://blog.csdn.net/dcrmg/article/details/79091941

tf.ConfigProto用于对sessison会话的参数配置。

log_device_placement=True: 可以获取到 operations 和 Tensor 被指派到哪个设备(几号CPU或几号GPU)上运行,会在终端打印出各项操作是在哪个设备上运行的
allow_soft_placement=True: 允许tf自动选择一个存在并且可用的设备来运行操作.在tf中，通过命令 “with tf.device(‘/cpu:0’):”,允许手动设置操作运行的设备
config.gpu_options.allow_growth = True: 动态申请显存
config.gpu_options.per_process_gpu_memory_fraction = 0.4: 占用40%显存,限制GPU使用率.

1
2
3

config = tf.ConfigProto(allow_soft_placement=True)
config.gpu_options.allow_growth = True
sess = tf.Session(config=config)

# 限制GPU使用率
config = tf.ConfigProto()
config.gpu_options.per_process_gpu_memory_fraction = 0.4  #占用40%显存
session = tf.Session(config=config)
等同于
gpu_options=tf.GPUOptions(per_process_gpu_memory_fraction=0.4)
config=tf.ConfigProto(gpu_options=gpu_options)
session = tf.Session(config=config)

# 设置使用哪块GPU
方法一： 在python中设置
os.environ['CUDA_VISIBLE_DEVICES'] = '0' #使用 GPU 0
os.environ['CUDA_VISIBLE_DEVICES'] = '0,1' # 使用 GPU 0，1
方法二： 在执行时设置
CUDA_VISIBLE_DEVICES=0,1 python yourcode.py

2. tf读取数据集图片的方式

参考链接:

https://www.jb51.net/article/134550.htm

https://www.jb51.net/article/134547.htm

tf的流程是文件系统—>文件名队列—>内存队列

推荐使用方法一

方法一：使用WholeFileReader输入queue，decode输出是Tensor，eval后是ndarray

import tensorflow as tf
import os
import matplotlib.pyplot as plt
def file_name(file_dir):  #来自//www.jb51.net/article/134543.htm
  for root, dirs, files in os.walk(file_dir): #模块os中的walk()函数遍历文件夹下所有的文件
    print(root) #当前目录路径
    print(dirs) #当前路径下所有子目录
    print(files) #当前路径下所有非目录子文件

def file_name2(file_dir):  #特定类型的文件
  L=[]  
  for root, dirs, files in os.walk(file_dir):
    for file in files: 
      if os.path.splitext(file)[1] == '.jpg':  
        L.append(os.path.join(root, file))
  return L

path = file_name2('test')

#以下参考//www.jb51.net/article/134547.htm (十图详解TensorFlow数据读取机制)
#path2 = tf.train.match_filenames_once(path)
file_queue = tf.train.string_input_producer(paths, shuffle=True, num_epochs=2) #创建输入队列
image_reader = tf.WholeFileReader()
key, image = image_reader.read(file_queue)
image = tf.image.decode_jpeg(image, channerls=3)

with tf.Session() as sess:
#  coord = tf.train.Coordinator() #协同启动的线程
#  threads = tf.train.start_queue_runners(sess=sess, coord=coord) #启动线程运行队列
#  coord.request_stop() #停止所有的线程
#  coord.join(threads)

  tf.local_variables_initializer().run()
  threads = tf.train.start_queue_runners(sess=sess)

  #print (type(image))
  #print (type(image.eval()))
  #print(image.eval().shape)
  for _ in path+path:
    plt.figure
    plt.imshow(image.eval())
    plt.show()

方法二：使用gfile读图片，decode输出是Tensor，eval后是ndarray

import matplotlib.pyplot as plt
import tensorflow as tf
import numpy as np

print(tf.__version__)

image_raw = tf.gfile.FastGFile('test/a.jpg','rb').read()  #bytes
img = tf.image.decode_jpeg(image_raw) #Tensor
#img2 = tf.image.convert_image_dtype(img, dtype = tf.uint8)

with tf.Session() as sess:
  print(type(image_raw)) # bytes
  print(type(img)) # Tensor
  #print(type(img2))

  print(type(img.eval())) # ndarray !!!
  print(img.eval().shape)
  print(img.eval().dtype)

#  print(type(img2.eval()))
#  print(img2.eval().shape)
#  print(img2.eval().dtype)
  plt.figure(1)
  plt.imshow(img.eval())
  plt.show()

方法三：使用read_file，decode输出是Tensor，eval后是ndarray

import matplotlib.pyplot as plt
import tensorflow as tf
import numpy as np

print(tf.__version__)

image_raw = tf.gfile.FastGFile('test/a.jpg','rb').read()  #bytes
img = tf.image.decode_jpeg(image_raw) #Tensor
#img2 = tf.image.convert_image_dtype(img, dtype = tf.uint8)

with tf.Session() as sess:
  print(type(image_raw)) # bytes
  print(type(img)) # Tensor
  #print(type(img2))

  print(type(img.eval())) # ndarray !!!
  print(img.eval().shape)
  print(img.eval().dtype)

#  print(type(img2.eval()))
#  print(img2.eval().shape)
#  print(img2.eval().dtype)
  plt.figure(1)
  plt.imshow(img.eval())
  plt.show()

3. tf.train.shuffle_batch

参考链接:

https://www.jianshu.com/p/9cfe9cadde06

https://blog.csdn.net/ying86615791/article/details/73864381


img_batch = tf.train.shuffle_batch([img],
batch_size=batch_size, capacity=capacity,
min_after_dequeue=min_after_dequeue,num_threads=num_threads,
allow_smaller_final_batch=allow_smaller_final_batch)

tf不是像pytorch一样全局打乱，而是每一次在较短的队列中打乱。其中，队列的最长长度是capacity，最短长度是min_after_dequeue。

4. tf.summary

参考链接：https://blog.csdn.net/hongxue8888/article/details/78610305

1	summary_writer = tf.summary.FileWriter('./summaries/' + dataset + '_spgan' , sess.graph)

5. tf.train.Saver

参考链接：http://www.cnblogs.com/denny402/p/6940134.html

1	saver = tf.train.Saver(max_to_keep= 30)

6. saver.restore

参考链接：https://blog.csdn.net/changeforeve/article/details/80268522

def load_checkpoint(checkpoint_dir, sess, saver):
    print(" [*] Loading checkpoint...")
    ckpt = tf.train.get_checkpoint_state(checkpoint_dir)
    print(ckpt)
    if ckpt and ckpt.model_checkpoint_path:
        ckpt_name = os.path.basename(ckpt.model_checkpoint_path)
        ckpt_path = os.path.join(checkpoint_dir, ckpt_name)
        saver.restore(sess, ckpt_path)
        print(" [*] Loading successful!")
        return ckpt_path
    else:
        print(" [*] No suitable checkpoint!")
        return None

7. tf.train.Coordinator

参考链接:

https://blog.csdn.net/weixin_42052460/article/details/80714539

https://www.jianshu.com/p/d063804fb272

1 2	coord = tf.train.Coordinator() threads = tf.train.start_queue_runners(sess=sess, coord=coord)

8. tf.identity

参考链接:

https://stackoverflow.com/questions/34877523/in-tensorflow-what-is-tf-identity-used-for

https://blog.csdn.net/hu_guan_jie/article/details/78495297

tf.idenity的逻辑就是等于号，区别是前者在计算图上加了个节点，使得可以多个设备之间可以通信，但是等于号为什么不行呢？

9. tf.reuse

参考链接：https://blog.csdn.net/UESTC_C2_403/article/details/72329786

Hexo

SPGAN-tensorflow

1. tf.ConfigProto

2. tf读取数据集图片的方式

方法一：使用WholeFileReader输入queue，decode输出是Tensor，eval后是ndarray

方法二：使用gfile读图片，decode输出是Tensor，eval后是ndarray

方法三：使用read_file，decode输出是Tensor，eval后是ndarray

3. tf.train.shuffle_batch

4. tf.summary

5. tf.train.Saver

6. saver.restore

7. tf.train.Coordinator

8. tf.identity

9. tf.reuse