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。

欢迎关注，后续会持续的写一些关于 TensorFlow 的使用经验的文章，也是因为工作原因接触到了谷歌的这个代码框架，想着既然用了，就用的好点，所以才写这个文章，也不是科班出身，有不正确的地方敬请指出。

参考资料：https://tensorflow.google.cn/api_docs