集合
tensorflow用集合colletion組織不同類別的對象。tf.GraphKeys中包含了所有默認集合的名稱。
collection提供了一種“零存整取”的思路：在任意位置，任意層次都可以創造對象，存入相應collection中；創造完成後，統一從一個collection中取出一類變量，施加相應操作。
例如，
tf.Optimizer只優化tf.GraphKeys.TRAINABLE_VARIABLES中的變量。
本文介紹幾個常用集合
- Variable集合：模型參數
- Summary集合：監測
- 自定義集合
Variable
Variable被收集在名爲tf.GraphKeys.VARIABLES的colletion中
定義
Tensorflow使用Variable類表達、更新、存儲模型參數。
Variable是在可變更的，具有保持性的內存句柄，存儲着Tensor。必須使用Tensor進行初始化。
k = tf.Variable(tf.random_normal([]), name='k')創建的Variable被添加到默認的collection中。
初始化
在整個session運行之前，圖中的全部Variable必須被初始化。
sess = tf.Session()
init = tf.initialize_all_variables()
sess.run(init)在執行完初始化之後，Variable中的值生成完畢，不會再變化。
特別強調：Variable的值在sess.run(init)之後就確定了；Tensor的值要在sess.run(x)之後才確定。
獲取
和Tensor, Operation一樣，Variable也是全局的。
可以通過tf.all_variables()查看所有tf.GraphKeys.VARIABLES中的對象：
# example for y = k*x
x = tf.constant(1.0, shape=[]) # 0D tensor
k = tf.Variable(tf.constant(0.5, shape=[]) )
y = tf.mul(x, k)
v = tf.all_variables()也可以用通用方法直接訪問collection：
v = tf.get_collection(tf.GraphKeys.VARIABLES)各類Variable
另外，tensorflow還維護另外幾個collection：
| 函數 | 集合名 | 意義 |
|---|---|---|
| tf.all_variables() | VARIABLES | 存儲和讀取checkpoints時，使用其中所有變量 |
| tf.trainable_variables() | TRAINABLE_VARIABLES | 訓練時，更新其中所有變量 |
| tf.moving_average_variables() | MOVING_AVERAGE_VARIABLES | ExponentialMovingAverage對象會生成此類變量 |
| tf.local_variables() | LOCAL_VARIABLES | 在all_variables()之外，需要用tf.init_local_variables()初始化 |
| tf.model_variables() | MODEL_VARIABLES |
Summary
Summary被收集在名爲tf.GraphKeys.SUMMARIES的colletion中
定義
Summary是對網絡中Tensor取值進行監測的一種Operation。這些操作在圖中是“外圍”操作，不影響數據流本身。
用例
我們模仿常見的訓練過程，創建一個最簡單的用例。
# 迭代的計數器
global_step = tf.Variable(0, trainable=False)
# 迭代的+1操作
increment_op = tf.assign_add(global_step, tf.constant(1))
# 實例應用中，+1操作往往在`tf.train.Optimizer.apply_gradients`內部完成。
# 創建一個根據計數器衰減的Tensor
lr = tf.train.exponential_decay(0.1, global_step, decay_steps=1, decay_rate=0.9, staircase=False)
# 把Tensor添加到觀測中
tf.scalar_summary('learning_rate', lr)
# 並獲取所有監測的操作`sum_opts`
sum_ops = tf.merge_all_summaries()
# 初始化sess
sess = tf.Session()
init = tf.initialize_all_variables()
sess.run(init) # 在這裏global_step被賦初值
# 指定監測結果輸出目錄
summary_writer = tf.train.SummaryWriter('/tmp/log/', sess.graph)
# 啓動迭代
for step in range(0, 10):
s_val = sess.run(sum_ops) # 獲取serialized監測結果：bytes類型的字符串
summary_writer.add_summary(s_val, global_step=step) # 寫入文件
sess.run(increment_op) # 計數器+1調用tf.scalar_summary系列函數時，就會向默認的collection中添加一個Operation。
再次回顧“零存整取”原則：創建網絡的各個層次都可以添加監測；在添加完所有監測，初始化sess之前，統一用tf.merge_all_summaries獲取。
查看
SummaryWriter文件中存儲的是序列化的結果，需要藉助TensorBoard才能查看。
在命令行中運行tensorboard，傳入存儲SummaryWriter文件的目錄：
tensorboard --logdir /tmp/log完成後會提示：
You can navigate to http://127.0.1.1:6006可以直接使用服務器本地瀏覽器訪問這個地址（本機6006端口），或者使用遠程瀏覽器訪問服務器ip地址的6006端口。
自定義
除了默認的集合，我們也可以自己創造collection組織對象。網絡損失就是一類適宜對象。
tensorflow中的Loss提供了許多創建損失Tensor的方式。
x1 = tf.constant(1.0)
l1 = tf.nn.l2_loss(x1)
x2 = tf.constant([2.5, -0.3])
l2 = tf.nn.l2_loss(x2)創建損失不會自動添加到集合中，需要手工指定一個collection：
tf.add_to_collection("losses", l1)
tf.add_to_collection("losses", l2)創建完成後，可以統一獲取所有損失，losses是個Tensor類型的list：
losses = tf.get_collection('losses')另一種常見操作把所有損失累加起來得到一個Tensor：
loss_total = tf.add_n(losses)執行操作可以得到損失取值：
sess = tf.Session()
init = tf.initialize_all_variables()
sess.run(init)
losses_val = sess.run(losses)
loss_total_val = sess.run(loss_total)實際上，如果使用TF-Slim包的losses系列函數創建損失，會自動添加到名爲”losses”的collection中。