干货派送｜TensorFlow代码集，效率提升90％

机器之心编辑

项目链接：https://github.com/taki0112/Tensorflow-Cookbook

目前该项目包含一般深度学习架构所需要的代码，例如初始化和正则化、各种卷积运算、基本网络架构与模块、损失函数和其它数据预处理过程。此外，作者还特别增加了对 GAN 的支持，这主要体现在损失函数上，其中生成器损失和判别器损失可以使用推土机距离、最小二乘距离和 KL 散度等。

使用方法

使用方法其实有两种，首先我们可以复制粘贴代码，这样对于模块的定制化非常有利。其次我们可以直接像使用 API 那样调用操作与模块，这种方法会使模型显得非常简洁，而且导入的源码也通俗易懂。首先对于第二种直接导入的方法，我们可以从 ops.py 和 utils.py 文件分别导入模型运算部分与图像预处理过程。

from ops import *

from utils import *

而对于第一种复制粘贴，我们可能会根据实际修改一些参数与结构，但这要比从头写简单多了。如下所示，对于一般的神经网络，它会采用如下结构模板：

其实深度神经网络就像一块块积木，我们按照上面的模板把 ops.py 中不同的模块堆叠起来，最终就能得到完整的前向传播过程。

代码集目录

项目页面：https://www.notion.so/Simple-Tensorflow-Cookbook-6f4563d0cd7343cb9d1e60cd1698b54d

目前整个项目包含 20 种代码块，它们可用于快速搭建深度学习模型。

代码示例

如下主要介绍几段代码示例，包括最常见的卷积操作和残差模块等。每一项代码示例都能采用 API 式的调用或复制粘贴，所以它们不只能快速使用，学习各种操作的实现方法也是很好的资源。

卷积

卷积的原理相信大家都很熟悉，那就直接看调用代码吧：

如下所示为实现以上 API 的代码，相比于直接使用 padding= SAME ，了解如何手给图像 padding 零也是很好的。此外，这一段代码嵌入了谱归一化（spectral_normalization/sn），甚至我们可以截取这一小部分嵌入到自己的代码中。

部分卷积（Partial Convolution）

部分卷积是英伟达为图像修复引入的卷积运算，它使模型能够修复任意非中心、不规则的区域。在论文 Image Inpainting for Irregular Holes Using Partial Convolutions 中，实现部分卷积是非常关键的，如下展示了简单的调用过程：

读者可根据以下定义 PConv 的代码了解具体实现信息：

残差模块

ResNet 最大的特点即解决了反向传播过程中的梯度消失问题，因此它可以训练非常深的网络而不用像 GoogLeNet 那样在中间添加分类网络以提供额外的梯度。而 ResNet 是由残差模块堆叠起来的，一般根据需要可以定义几种不同的残差模块：

如上展示了三种残差模块，其中 down 表示降采样，输入特征图的长宽都会减半；而 up 表示升采样，输入特征图的长宽都会加倍。在每一个残差模块上，残差连接会将该模块的输入与输出直接相加。因此在反向传播中，根据残差连接传递的梯度就可以不经过残差模块内部的多个卷积层，因而能为前一层保留足够的梯度信息。

如下简单定义了一般的 resblock 和采用升采样的 resblock_up，因为它们调用的 conv()、deconv() 和 batch_norm() 等函数都是前面定义的不同计算模块，因此整体上代码看起来非常简洁。

这里只展示了三种功能块的代码实现，可能我们会感觉该项目类似于一个迷你的 Keras。但因为这个项目实现的操作都比较简单常见，因此源码读起来会比 Keras 之类的大型库简单地多，这对于嵌入使用还是学习都更有优势。