¿Qué hará Keras con TensorFlow-Slim?

Actualización : desde mi respuesta, tf-slim 2.0 se lanzó al público. Aquí hay una publicación de blog sobre los nuevos cambios.

Para completar la respuesta de François Chollet y dar un poco más sobre por qué debería considerar usar tf-slim:

Primero, tf-slim es más que solo definir convnets, aunque esa es una de las muchas características útiles de tf-slim. ConvNet es un caso de uso de ejemplo de slim.arg_scope, que ayuda a evitar la duplicación de código en definiciones de modelo complejas.

Más allá de eso, tf-slim tiene como objetivo facilitar muchos trabajos de fontanería en torno a la capacitación, la evaluación de modelos y más. Para dar algunos ejemplos:

• El proveedor de datos encapsula la lógica de los lectores de datos. Idealmente, uno almacenaría datos como TFRecords de tf. Ejemplo de protobuf. El proveedor de datos luego lee tf. Ejemplos y los decodifica en tensores. slim.learning.train también maneja los corredores de cola automáticamente.
• slim.learning se ajusta a las lógicas repetitivas que se necesitan con frecuencia en la capacitación de modelos. Por ejemplo, simplemente especificando log_dir le brinda el beneficio de restaurar desde el último punto de control automáticamente (en caso de que se interrumpa el entrenamiento). También puede especificar init_fn para inicializar parte de su modelo con pesos pre-entrenados. Simplemente agregue tf.scalar_summary y proporcione slim.learning.train the fusion_ summary_op significa que sus resúmenes se escriben en log_dir por usted (para que pueda visualizarlos en el tensorboard).
• slim.evaluation le permite configurar un bucle de evaluación para el último punto de control del modelo producido por el trabajo de capacitación y configurar evaluaciones en métricas dadas periódicamente.

Muy pronto se abrirán muchas más funciones. En resumen, tf-slim resume lo que mucha gente aprendió sobre la investigación en esta área aquí en Google y proporciona una pequeña conveniencia aquí y allá que finalmente conduce a mayores ganancias.

Descargo de responsabilidad: estoy haciendo mi pasantía en este momento y estoy trabajando en estrecha colaboración con el principal contribuyente de tf-slim. No he usado tf-slim antes de mi pasantía, pero definitivamente lo seguiré usando en el futuro. Me alegra que sea de código abierto.

Pero sí, Keras es completamente diferente y no estoy seguro de que esta pregunta tenga mucho sentido. tf-slim es mucho más liviano y se enfoca en un conjunto de cosas completamente diferente.

Básicamente, por el momento, en mi opinión, Tf-slim solo está diseñado para CNN, y está completamente basado en TensorFlow.

La mayor ventaja de Tf-slim es que Google proporciona una gran cantidad de modelos CNN previamente entrenados, incluidos VGG, ResNet, Inception, etc.

Eso es bueno para la investigación rápida de prototipos y aprendizaje de transferencia, sin embargo, no han proporcionado ninguna capa RNN y funciones auxiliares.

Afortunadamente, algunos envoltorios ahora pueden conectarse con la documentación de Tf-Slim API – Layers – TensorLayer 1.2.5, por lo que las personas pueden conectar la capa RNN sobre los modelos previamente entrenados.

Creo que estamos hablando de preocupaciones separadas aquí. Tensorflow-slim es otro de los intentos de hacer que la interfaz de Tensorflow sea un poco más simple, mientras que Keras es una solución mucho más completa (pero disjunta).

¿Será Keras relevante en el futuro? Creo que los marcos de Machine Learning tenderán a unificarse, y esta batalla tiene su primer perdedor (The leaf machine learning framework)