python - 如何匹配tensorflow(python)函数的参数

Question

https://github.com/davidsandberg/facenet/blob/master/src/align/detect_face.py

请引用上面的Python代码。

我发现类 Network 函数 conv 的原型(prototype)与其调用部分不匹配

@layer
def conv(self,
         inp,
         k_h,
         k_w,
         c_o,
         s_h,
         s_w,
         name,
         relu=True,
         padding='SAME',
         group=1,
         biased=True):

&调用转化

class PNet(Network):
def setup(self):
    (self.feed('data') #pylint: disable=no-value-for-parameter, no-member
         .conv(3, 3, 10, 1, 1, padding='VALID', relu=False, name='conv1')
         .prelu(name='PReLU1')
         .max_pool(2, 2, 2, 2, name='pool1')
         .conv(3, 3, 16, 1, 1, padding='VALID', relu=False, name='conv2')
         .prelu(name='PReLU2')
         .conv(3, 3, 32, 1, 1, padding='VALID', relu=False, name='conv3')
         .prelu(name='PReLU3')
         .conv(1, 1, 2, 1, 1, relu=False, name='conv4-1')
         .softmax(3,name='prob1'))

    (self.feed('PReLU3') #pylint: disable=no-value-for-parameter
         .conv(1, 1, 4, 1, 1, relu=False, name='conv4-2'))

请注意

1. 自己
2. inp --> 它从哪里来？
3. ...

我知道 self 可以被忽略；输入， k_h, 千瓦， c_o， s_h, s_w，可以与位置匹配，例如:3, 3, 10, 1, 1其他参数按名称分配。

但是我不知道inp是怎么来的？

它与我熟悉的编程语言 C 和 C++ 很矛盾..

谁能帮忙解释一下吗？

提前致谢。

Answer 1

您确实注意到，虽然函数签名将输入层 inp 作为其第一个参数，但在调用函数时它不会被传递。

这个技巧是通过 function decorator 实现的@layer 位于函数定义之前。这是layer装饰器的定义:

def layer(op):
    """Decorator for composable network layers."""

    def layer_decorated(self, *args, **kwargs):
        # Automatically set a name if not provided.
        name = kwargs.setdefault('name', self.get_unique_name(op.__name__))
        # Figure out the layer inputs.
        if len(self.terminals) == 0:
            raise RuntimeError('No input variables found for layer %s.' % name)
        elif len(self.terminals) == 1:
            layer_input = self.terminals[0]
        else:
            layer_input = list(self.terminals)
        # Perform the operation and get the output.
        # [!] Here it passes the `inp` parameter, and all the other ones
        layer_output = op(self, layer_input, *args, **kwargs)
        # Add to layer LUT.
        self.layers[name] = layer_output
        # This output is now the input for the next layer.
        self.feed(layer_output)
        # Return self for chained calls.
        return self

return layer_decorated

它通过 op 参数接受一个函数/方法作为输入，并返回另一个 layer_decorated ，它将替换 op 的原始定义>。所以PNet.conv = 层(Pnet.conv)。如果您查看layer_decorated的定义，您会发现它本质上设置了op函数的第一个参数，即layer_input(与[!])。它还会进行一些记录，以根据其名称了解要使用哪一层作为输入。

为了简化事情，这允许程序员使用链式方法调用而无需重复调用。它改变了这一点:

 x = self.feed('data') #pylint: disable=no-value-for-parameter, no-member
 x = self.conv(x, 3, 3, 10, 1, 1, padding='VALID', relu=False, name='conv1')
 x = self.prelu(x, name='PReLU1')
 x = self.max_pool(x, 2, 2, 2, 2, name='pool1')

进入此:

x = (self.feed('data') #pylint: disable=no-value-for-parameter, no-member
     .conv(3, 3, 10, 1, 1, padding='VALID', relu=False, name='conv1')
     .prelu(name='PReLU1')
     .max_pool(2, 2, 2, 2, name='pool1')
 )