解决使用tf.slim找不到slim.utils函数问题

最新推荐文章于 2026-08-01 14:09:22 发布
原创 最新推荐文章于 2026-08-01 14:09:22 发布 · 1.9k 阅读 · 2 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文解决了《Tensorflow实战》一书中ResNetV2源码运行时报错的问题，详细介绍了如何找到并修正slim.utils.collect_named_output()函数缺失的错误。

找ResNet V2源码，发现网上的源码大多数都出自《Tensorflow实战》这本书

而这本书ResNet V2代码是出自contrib.silm源码里面的ResNet V2实现
https://github.com/tensorflow/tensorflow/blob/master/tensorflow/contrib/slim/python/slim/nets/resnet_v2.py

我在运行书上代码的时候发现报错，应该是在graph中找不到权重，应该是没有将变量添加到图中

然后发现代码中slim.utils.collect_named_output()函数找不到utils的出处

后来我找到github源码搜索utils.collect_named_outputs发现
这里写图片描述

collect_named_outputs函数在from tensorflow.contrib.layers.python.layers import utils里面

解决：

重新导入from tensorflow.contrib.layers.python.layers import utils
将书上代码slim.utils改成utils即可

标签
#ResNet #Tensorflow #slim #深度学习 #github
Wkyao_Check
关注
Tensorflow 版本切换与 slim 问题
Abandon_first的博客
03-23 1868
slim 概述 tf_slim 库能够使定义、训练和评估神经网络变得更简单。如其下的 arg_scope 和 layers 能够使定义模型变得更简单。 比如 slim.arg_scope，它可以给函数的参数自动赋予某些默认值。使用了之后，就不需要每次都重复设置参数，只需要在有需要修改的地方重新设置即可。如此，可以大大减少代码量，与此同时，增加可读性，减少误操作。当模型层数很多，同时有很多类似甚至完全一样的层时，使用 arg_scope 能大大减少定义模型的工作量。 导入 slim 模块 从 Tensorfl
YOLOv5环境配置避坑：除了‘utils‘找不到，这些路径问题你也可能遇到
weixin_30596343的博客
06-07 399
本文详细解析了YOLOv5环境配置中常见的路径问题，特别是'No module named 'utils''报错的多种解决方案。从Python模块导入机制到项目结构优化，提供了全面的诊断方法和实用技巧，帮助开发者高效配置YOLOv5环境并避免常见陷阱。
AttributeError: module ‘tf_slim‘ has no attribute ‘utils‘
xiaoqiaoliushuiCC的博客
03-09 1766
使用tf_slim包找不到utils问题 前言： 将代码从tensorflow1升级为tensorflow2后 slim = tf.contrib.slim会报错 AttributeError: module ‘tensorflow’ has no attribute ‘contrib’ 这是tf2.0的问题link 解决上述问题： 引入tf_slim 即import tf_slim as slim 此时resnet_v2.py文件中slim.utils.last_dimension()会报错 Attrib
slim一些事
Loong Cheng的博客
06-16 1209
slim.utils.convert_collection_to_dict 1.nets/vgg.py中的vgg_16时，出现了一个slim.utils.convert_collection_to_dict(end_points_collection)，但实际上slim里没有utils这个模块，估计是由于版本更新了（我的版本是tf1.8），后来在这个项目的其它文件中看到utils是这样导入的： ...
【源码解读】tensorflow slim AlexNet
puchapu的博客
05-10 324
代码来源：https://github.com/tensorflow/tensorflow/blob/master/tensorflow/contrib/slim/python/slim/nets/alexnet.py
3D-convolutional-speaker-recognition代码架构解析：TensorFlow Slim与多GPU训练实现
gitblog_00719的博客
06-19 556
3D-convolutional-speaker-recognition是一个基于深度学习和3D卷积神经网络的说话人识别项目，它利用TensorFlow Slim框架构建高效模型，并支持多GPU训练以加速模型收敛。本文将深入解析该项目的代码架构设计，帮助开发者快速理解核心实现逻辑。 ## 项目整体架构概览 📊 项目采用模块化设计思想，将说话人识别系统的完整流程划分为四个核心阶段，每个阶段对应
如何将DeepLab_v3迁移到TensorFlow 2.x：兼容性升级与代码重构
gitblog_00478的博客
06-14 411
DeepLab_v3是一款强大的语义分割模型，在计算机视觉领域有着广泛应用。然而，许多基于TensorFlow 1.x开发的DeepLab_v3项目面临着升级到TensorFlow 2.x的挑战。本文将为你提供一份完整指南，帮助你顺利完成DeepLab_v3到TensorFlow 2.x的迁移，实现代码的兼容性升级与重构。 ## 迁移前的准备工作 在开始迁移之前，首先需要了解项目中Tensor
utils.convert_collection_to_dic
Loong Cheng的博客
08-19 777
不知道未来slim会不会被遗弃。 既然解释不清，slim.utils.convert_collection_to_dic把with作用域下面的计算结果，都汇总到一个list中，每个成员是一个tuple，包括 每层网络的名字，每一层的输出结果，形状，数据类型 import tensorflow as tf scope='alexnet_v2' inputs = tf.ones([1,500,...
tf_cnnvis配置与部署：Docker容器化与生产环境最佳实践
gitblog_00528的博客
06-23 887
想要在**生产环境**中高效部署和使用tf_cnnvis这个强大的**CNN可视化工具**吗？本文将为您提供完整的**Docker容器化**配置指南和**最佳实践**，帮助您快速搭建稳定可靠的**TensorFlow可视化**环境！🚀 ## 📦 什么是tf_cnnvis？ **tf_cnnvis**是一个基于TensorFlow的**卷积神经网络可视化库**，它能够帮助研究人员和开发者深入
如何用TF-CPN实现实时多人姿态估计：完整代码示例与调试技巧
gitblog_00776的博客
06-18 1004
TF-CPN（Cascaded Pyramid Network）是一个基于TensorFlow实现的多人姿态估计算法，源自2017年COCO关键点挑战赛的冠军方案。该项目提供了高效的实时姿态检测能力，支持多种ResNet骨干网络和输入分辨率配置，适用于计算机视觉领域的人体动作分析、行为识别等应用场景。 ## 📊 TF-CPN核心优势与性能表现 TF-CPN通过级联金字塔网络结构实现高精度的多
Faster RCNN 运行解决
qq_40221709的博客
03-14 184
WIN10下训练错误：No module named cython_bbox 很多在win10下配置后训练Fater rcnn 会出现报错No module named cython_bbox的问题！ #cd到./lib/utils下然后运行下面这行代码 python setup.py build_ext --inplace 在TensorFlow2.x版本已经不能使用contrib包 import tensorflow.contrib.slim as slim 使用该包时报错如下M..
2018.07.03 代码总结
weixin_30725315的博客
07-03 133
1.今天打算把ssd-tensorflow的训练和测试代码全部过一遍。在看到nets/vgg.py中的vgg_16时，出现了一个slim.utils.convert_collection_to_dict(end_points_collection)，但实际上slim里没有utils这个模块，估计是由于版本更新了（我的版本是tf1.8），后来在这个项目的其它文件中看到utils是这样导入的...
从论文到代码：TF-CPN复现CVPR 2018经典姿态估计算法全流程
gitblog_01072的博客
06-18 856
TF-CPN是Cascaded Pyramid Network（级联金字塔网络）的TensorFlow实现，该算法在2017年COCO关键点检测挑战赛中夺冠，并发表于CVPR 2018。本文将带你完整了解从论文思想到代码实现的全流程，掌握多人体姿态估计的核心技术。 ## 🌟 CPN算法核心优势解析 Cascaded Pyramid Network通过创新的级联结构解决了传统姿态估计算法在处理
Yolo_v1实验
Crazyjackkong's blog
10-23 303
Yolo_v1 本地运行实验TensorFlow Yolo_v1 原理学习 参考 https://zhuanlan.zhihu.com/p/46691043 进行 Yolo_v1 实验 参考：https://github.com/TowardsNorth/yolo_v1_tensorflow_guiyu 环境及数据集准备 TensorFlow 2.x环境 数据集 VOCtrainval_06-Nov-2007.tar：https://hyper.ai/datasets/7660 权重文件 YOLO_s.
YOLO_tensorflow核心代码解读：深入分析YOLO网络架构与损失函数
gitblog_00225的博客
06-11 420
YOLO_tensorflow是一个基于TensorFlow实现的目标检测框架，支持完整的训练和测试流程。本文将深入剖析其核心代码结构，帮助开发者理解YOLO网络架构设计与损失函数优化的关键技术点。 ## 整体项目结构概览 YOLO_tensorflow项目采用模块化设计，主要包含以下核心目录和文件： - **yolo/**：核心算法实现目录，包含网络定义与配置参数 - [yolo_ne
DeepLab_v3核心原理详解：空洞卷积与空间金字塔池化的完美结合
gitblog_01061的博客
06-14 1078
DeepLab_v3是一款强大的语义分割模型，它通过创新的空洞卷积和空间金字塔池化技术，实现了像素级别的精准图像分割。本文将深入浅出地解析这两大核心技术的工作原理及其在DeepLab_v3中的应用，帮助新手快速理解模型的精髓。 ## 什么是空洞卷积？解决传统卷积的降采样困境 传统卷积操作在提取图像特征时，通常会通过池化或大步长卷积来降低特征图分辨率，这虽然能扩大感受野，但也不可避免地丢失了细节
如何利用TensorNets提升TensorFlow模型性能？终极实战案例分享
gitblog_01181的博客
06-27 485
TensorNets是一个高级神经网络定义库，提供预训练权重，帮助TensorFlow用户快速构建高性能深度学习模型。这个强大的工具集让开发者能够轻松集成ResNet、Inception、MobileNet等主流架构，显著提升模型开发效率和性能表现。 ## 为什么选择TensorNets？🚀 TensorNets的核心优势在于其**简洁的函数式接口设计**。与传统的自定义类不同，Tensor
TensorFlow 1.14 部署 Mask R-CNN 工业实践指南
weixin_33933118的博客
06-19 312
Mask R-CNN 是两阶段实例分割的代表性模型，其核心原理是在 Faster R-CNN 基础上引入掩码分支，实现像素级目标定位与分类联合输出。该技术具备强空间建模能力，在工业质检、医疗影像和自动驾驶等需精确轮廓分析的场景中具有不可替代的技术价值。相比 YOLO 等单阶段检测器，Mask R-CNN 天然支持实例级 mask 生成，无需额外设计分割头或重写损失函数。在老旧产线环境（如 CUDA 10.0、CentOS 7、Tesla P40）下，TensorFlow 1.14 成为兼顾稳定性、Keras
Convolutional Pose Machines TensorFlow部署指南：模型导出与生产环境集成方案
gitblog_01021的博客
06-18 386
Convolutional Pose Machines (CPM)是一种高效的人体姿态估计模型，本指南将详细介绍如何将TensorFlow实现的CPM模型导出为生产可用格式，并集成到实际应用环境中。通过本文的步骤，你将能够快速部署手部姿态估计功能，实现实时关节点检测与跟踪。 ## 模型导出核心配置解析 成功部署的第一步是理解模型导出的关键参数。项目中的[config.py](https://l
数据增广+微调
最新发布
2403_88436129的博客
08-01 173
本文介绍了计算机视觉中的数据增广技术和模型微调方法。数据增广部分阐述了包括翻转、裁剪、色彩调整等多种图像变换技术，以及如何通过代码实现这些增广方法。模型微调部分详细解释了预训练模型的应用流程：1）在源数据集预训练模型；2）复制源模型结构（除输出层）；3）为目标任务定制新输出层；4）分层调整学习率进行训练。文章以热狗识别为例，展示了如何对预训练模型（如ResNet）进行微调，特别强调了区分特征提取层（小学习率）和新输出层（大学习率）的不同训练策略。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值