TensorFlow 的常用模块介绍
一、总结
一句话总结：
Module:tf.train：这个模块主要是用来支持训练模型的
Module:tf.nn：神经网络的功能支持模块，这是最常用到的一个模块，比如用于构建经典的卷积网络，它下面还包含了 rnn_cell 的子模块，用于构建循环神经网络；
Module:tf.summary：主要用来配合 tensorboard 展示模型的信息，比如tf.summary.text
Module:tf：TensorFlow 还把那些经常使用的 Tensor 操作功能直接放在了 tf 下面，包括了：Maths、Array、Matrix 相关的操作，例如算术操作、张量（矩阵）操作、数据类型转换等等
二、TensorFlow 的常用模块介绍
转自或参考：TensorFlow 的常用模块介绍https://zhuanlan.zhihu.com/p/32198400
在使用 TensorFlow 的时候会遇到一个问题，就是不知道要使用的功能在哪个模块中，比如是在 nn 的模块或者 contrib 的模块，所以本文梳理下常用到的四个模块的功能。
Module: tf.nn
神经网络的功能支持模块，这是最常用到的一个模块，用于构建经典的卷积网络，它下面还包含了 rnn_cell 的子模块，用于构建循环神经网络；挑几个它下面包含的常用函数看看：
avg_pool(...): 平均池化
batch_normalization(...): 批标准化
bias_add(...): 添加偏置
conv2d(...): 2维卷积
dropout(...): 随机丢弃神经网络单元
relu(...): relu 激活层
sigmoid_cross_entropy_with_logits(...): sigmoid 激活后的交叉熵
softmax(...): softmax 激活层
可以看到，基本所有经典神经网络的操作都放在了这个模块。
Module: tf.contrib
这个模块最常用到的是它的 slim 子模块，它的官方的解释是这样的：
contrib module containing volatile or experimental code.
也就是说，所有的易于变动的，或者说实验性质的功能就放在这个模块里面；所以它下面是有着及其丰富的功能子模块的，从中也可一窥 TensorFlow 后续的发展，所以看看它下面包含的全部子模块：
bayesflow 贝叶斯计算
cloud 云操作
cluster_resolver 集群求解
compiler 控制 Tensorflow/XLA JIT 编译器
copy_graph 在不同的计算图之间复制元素
crf 条件随机场
cudnn_rnn Cudnn 层面的循环神经网络操作
data 用于构造输入数据的流水线
decision_trees 决策树相关模块
deprecated 记录已经或将被替换的summary函数
distributions 各种统计分布相关的操作
estimator 自定义标签与预测的对错的度量方式
factorization 聚类以及因子分解
ffmpeg 用 FFmpeg 处理声音文件
framework 框架类工具，包含了变量操作、命名空间、checkpoint 操作
gan 对抗生成相关
graph_editor 计算图的操作
grid_rnn GridRNN 相关
image 图像操作
input_pipeline 输入流水线
integrate 求解常微分方程
keras Keras 相关 API
kernel_methods 核映射相关方法
kfac KFAC 优化器
labeled_tensor 有标签的 Tensor
layers 类似 nn 里面的函数，一些经典 CNN 方法的重构
learn 类似 ski-learn 的 高级 API
legacy_seq2seq RNN 模型用于序列数据
linalg 线性代数相关
linear_optimizer 训练线性模型、线性优化器
lookup 构建快速查找表
losses loss 相关
memory_stats 设备内存使用情况
meta_graph_transform 计算图转换
metrics 各种度量模型表现的方法
nccl 一些收集结果的操作
ndlstm ndlstm 相关
nn tf.nn 某些方法的其他版本
opt 某些优化器的其他版本
predictor 构建预测器
reduce_slice_ops 切片约减
remote_fused_graph module: Remote fused graph ops python library.
resampler 重抽样
rnn 其他的循环神经网络操作
saved_model 更加易用的模型保存、继续训练、模型转换
seq2seq 序列解码以及序列 loss
session_bundle
signal 信号处理相关
slim contrib 主模块的交互方式，主要入口
solvers 贝叶斯计算
sparsemax 稀疏概率激活函数及相关 loss
specs specs ops.
staging 分段输入
stat_summarizer 查看运行状态
stateless 伪随机数
tensor_forest 随机森林
tensorboard 可视化工具
testing 单元测试工具
tfprof 查看模型细节的工具
timeseries 时间序列工具
tpu TPU 配置
training 训练及输入相关工具
util Tensors 处理相关工具
可以看到，里面的东西基本涵盖了 TensorFlow 所有的功能，但是总体感觉各个功能还是有点混乱。
Module: tf.train
这个模块主要是用来支持训练模型的，照样挑几个它下面包含的常用类和函数看看：
class AdadeltaOptimizer: Adadelta 优化器
class AdamOptimizer: Adam 优化器
class Coordinator: 线程管理器
class Example tfrecord 的生成模板
class ExponentialMovingAverage: 指数移动平均
class GradientDescentOptimizer: 梯度下降优化器
class MomentumOptimizer: 动量优化器
class NanTensorHook: loss 是否为 NaN 的捕获器
class QueueRunner: 入队队列启动
class RMSPropOptimizer: RMSProp 优化器
class Saver: 保存模型和变量类
NewCheckpointReader(...)checkpoint 文件读取
batch(...): 生成tensorsbatch
create_global_step(...): 创建 global step
get_checkpoint_state(...): 从 "checkpoint" 文件返回模型状态
init_from_checkpoint(...): 从 checkpoint 文件初始化变量
latest_checkpoint(...): 寻找最后一次的 checkpoint 文件
list_variables(...): 返回 checkpoint 文件变量为列表
load_variable(...): 返回 checkpoint 文件某个变量的值
match_filenames_once(...): 寻找符合规则的文件名称
shuffle_batch(...): 创建随机的 Tensor batch
start_queue_runners(...): 启动计算图中所有的队列
可以看到，主要包含了模型优化器、tfrecord 数据准备、模型保存、模型读取四个大类的功能。
Module: tf.summary
主要用来配合 tensorboard 展示模型的信息，几个常用类和函数如下：
class FileWriter: Summary文件生成类
class Summary Summary 类
get_summary_description(...): 获取计算节点信息
histogram(...): 展示变量分布信息
image(...): 展示图片信息
merge(...): 合并某个 Summary 信息
merge_all(...): 合并所有的各处分散的 Summary 信息到默认的计算图
scalar(...): 展示某个标量的值
text(...): 展示文本信息
这个模块比较简单，但是使用时有些地方还是要注意，这个以后专门用一篇文章来写。
常用函数和方法
TensorFlow 还把那些经常使用的 Tensor 操作功能直接放在了 tf 下面，包括了：
Maths、Array、Matrix 相关的操作，也就是例如算术操作、张量（矩阵）操作、数据类型转换、矩阵的变形、切片、合并、规约、分割、序列比较与索引提取等常用功能。
总体来说，了解了 TensorFlow 这几个大的常用模块功能后，再去使用起来才会感到逻辑清晰一点。